[多选题]以下哪些属于有监督学习的优化目标？A. 经验风险最小化B. 结构风险最小化C. 数据升维D. 核函数计算

本题考查有监督学习的优化目标相关知识点。解题思路是明确有监督学习优化目标的定义和常见类型，然后依次分析每个选项是否属于有监督学习的优化目标。

• 选项A：经验风险最小化
  经验风险最小化是有监督学习中一种重要的优化目标。在有监督学习中，我们有一组训练数据$\{(x_1,y_1),(x_2,y_2),\cdots,(x_n,y_n)\}$，其中$x_i$是输入特征，$y_i$是对应的标签。模型的经验风险$R_{emp}(f)$定义为：
  $R_{emp}(f)=\frac{1}{n}\sum_{i = 1}^{n}L(y_i,f(x_i))$
  其中$L(y_i,f(x_i))$是损失函数，用于衡量模型预测值$f(x_i)$与真实标签$y_i$之间的差异。经验风险最小化就是要找到一个模型$f$，使得$R_{emp}(f)$最小。所以经验风险最小化属于有监督学习的优化目标。
• 选项B：结构风险最小化
  结构风险最小化是在经验风险最小化的基础上，考虑了模型的复杂度。结构风险$R_{str}(f)$定义为：
  $R_{str}(f)=R_{emp}(f)+\lambda J(f)$
  其中$J(f)$是模型的复杂度度量，$\lambda$是一个权衡参数。结构风险最小化的目的是在降低经验风险的同时，避免模型过拟合，提高模型的泛化能力。因此，结构风险最小化也是有监督学习的优化目标。
• 选项C：数据升维
  数据升维是一种数据预处理技术，它的目的是增加数据的特征维度，以便更好地表示数据的特征和结构。数据升维本身并不是有监督学习的优化目标，而是为了提高模型的性能而采取的一种手段。
• 选项D：核函数计算
  核函数是一种用于处理非线性问题的技术，它可以将低维数据映射到高维空间，使得数据在高维空间中变得线性可分。核函数计算是实现核方法的一个步骤，而不是有监督学习的优化目标。