我正在从 Andrew Ng 斯坦福大学的讲座中学习机器学习，并且刚刚遇到了 VC 维度的理论。根据讲座和我的理解，VC维度的定义可以如下：

如果你能找到一组$n$点，以便它可以被分类器粉碎（即分类所有可能的$2^n$标签正确），你找不到任何一组$n+1$ 可以粉碎的点（即对于任何一组 $n+1$ 点有至少一个标注顺序，使得分类器不能正确分离所有点），则 VC 维度为 $n$.

教授还举了一个例子，很好地解释了这一点。这是：

让，

$H=\{{set\ of\ linear\ classifiers\ in\ 2\ Dimensions \}}$

那么任何3个点都可以分类为 $H$ 正确分离超平面，如下图所示。

这就是为什么 VC 维度 $H$是 3。因为对于 2D 平面中的任意 4 个点，线性分类器不能粉碎所有点的组合。例如，

对于这组点，无法绘制分离超平面来对这组点进行分类。所以VC维度是3。

直到这里我才明白。但是，如果我们遵循某种模式呢？

或者三点重合的图案，这里也不能画出三点之间的分离超平面。但在 VC 维度的定义中仍然没有考虑这种模式。为什么？我在 16:24观看的讲座也讨论了同一点，但教授没有提到这背后的确切原因。

任何直观的解释示例将不胜感激。谢谢