Vapnik-Chervonenkis (VC) boyutu, hesaplamalı öğrenme teorisi alanında, bir modelin veya sistemin karmaşıklığı için bir ölçüm sağlayan önemli bir kavramdır. 1970'lerin başında Vladimir Vapnik ve Alexey Chervonenkis tarafından geliştirildi ve Destek Vektör Makinesi (SVM) ve ilgili algoritmaların geliştirilmesinde kullanıldı. VC boyutu genellikle bir makine öğrenimi algoritmasının kapasitesini ölçmek için kullanılır; yani bir eğitim setinden "öğrenme" ve görünmeyen verilere genelleme yapma yeteneği. Hem sistemin kullanım öncesinde yeteneklerinin anlaşılması hem de sonuçların doğruluğunun ve güvenilirliğinin değerlendirilmesi açısından önemli bir özelliktir.
VC boyutu, bir modelin doğru şekilde sınıflandırabileceği farklı modellerin sayısı olarak tanımlanır ve model içinde kullanılan parametrelerin sayısına göre belirlenir. Örneğin, iki serbest parametreli doğrusal bir model, üçe kadar farklı modeli doğru bir şekilde sınıflandırabilir. Üç serbest parametreli bir model, yediye kadar farklı modeli doğru bir şekilde sınıflandırabilir ve bu böyle devam eder. Bu basit ilişki, genellikle şu şekilde ifade edilen VC boyut formülüyle tanımlanır:
d_{vc} = m + 1; burada m, modelde kullanılan parametre sayısıdır.
VC boyutu çoğunlukla denetimli öğrenme algoritmalarının performansını analiz etmek için kullanılır ancak diğer model ve sistem türlerine de uygulanabilir. Özellikle, karmaşıklığı nedeniyle analiz edilmesi genellikle zor olan bir sinir ağının yeteneklerini ve sınırlamalarını analiz etmek için kullanışlıdır. Çok yönlülüğü ve her yerde bulunması nedeniyle VC boyutu, hesaplamalı öğrenme teorisinde temel bir kavram olarak kabul edilir ve makine öğrenimi algoritmalarının doğruluğunu ve performansını değerlendirmek ve karşılaştırmak için kullanılan merkezi bir araçtır.
VC boyutu bazen iğne yığını boyutu veya karmaşıklık boyutu olarak anılır.
