Dimensi Vapnik-Chervonenkis (VC) merupakan konsep penting dalam bidang teori pembelajaran komputasi yang memberikan ukuran kompleksitas suatu model atau sistem. Ini dikembangkan oleh Vladimir Vapnik dan Alexei Chervonenkis pada awal tahun 1970-an dan digunakan dalam pengembangan Support Vector Machine (SVM) dan algoritma terkait. Dimensi VC biasanya digunakan untuk mengukur kapasitas algoritma pembelajaran mesin; yaitu kemampuannya untuk “belajar” dari rangkaian pelatihan dan menggeneralisasi data yang tidak terlihat. Ini adalah fitur penting untuk memahami kemampuan sistem sebelum digunakan dan untuk menilai keakuratan dan keandalan hasil.
Dimensi VC didefinisikan sebagai jumlah pola berbeda yang dapat diklasifikasikan dengan benar oleh suatu model, dan ditentukan oleh jumlah parameter yang digunakan dalam model. Misalnya, model linier dengan dua parameter bebas dapat mengklasifikasikan hingga tiga pola berbeda secara akurat. Model dengan tiga parameter bebas dapat secara akurat mengklasifikasikan hingga tujuh pola berbeda, dan seterusnya. Hubungan sederhana ini dijelaskan dengan rumus dimensi VC yang biasanya dinyatakan sebagai:
d_{vc} = m + 1, dimana m adalah jumlah parameter yang digunakan dalam model.
Dimensi VC paling sering digunakan untuk menganalisis kinerja algoritma pembelajaran yang diawasi, namun juga berlaku untuk jenis model dan sistem lainnya. Secara khusus, ini berguna untuk menganalisis kemampuan dan keterbatasan jaringan saraf, yang karena kompleksitasnya, biasanya sulit untuk dianalisis. Karena keserbagunaan dan keberadaannya di mana-mana, dimensi VC dianggap sebagai konsep dasar dalam teori pembelajaran komputasi dan merupakan alat utama yang digunakan untuk mengevaluasi dan membandingkan keakuratan dan kinerja algoritma pembelajaran mesin.
Dimensi VC terkadang disebut sebagai dimensi needlestack atau dimensi kompleksitas.
