论证了在有noise的情形下，机器依然可以学习。然后介绍了error 的几种衡量方法。
想象在抽取弹珠的过程中，弹珠会不断地变色，那么在抽出来的时刻，它的颜色对应一个概率分布。
类比到有noise的情形，就是 对一个x，
本来是确定的，加入noise后， 对应到了一个概率分布。
即便如此，在变色弹珠抽样中，抽出来的时刻的弹珠颜色占比仍然能估计出总体此刻的颜色占比，只要每一个弹珠的颜色分布都是iid的。
，那就是说 |Ein - Eout| 仍然能够符合vc bound.
称P(y|x)为目标分布，在例子中，根据P(y|x)可以得到 ideal mini-target f(x)。
学习的目标变成了 在常见的点上预测 ideal mini-target f(x).
error measure
衡量g的好坏，看g在out of sample上的错误率，通常是对每一个x算错误率后取均值。
在二分类中，错误用0/1来衡量。
两个常见的pointwise error衡量方法，0/1 error通常用于分类，平方error通常用于回归。
measure选取不一样，最终 ideal mini-target f(x) 也会不一样。
因此可以说 error measure用来指导算法A进行学习。
至于为什么VC理论在更多的H和error上能够work还搞不懂。。
应该如何设计error measure呢？
true err 真正量化出来基本是不可能的，所以实际中常常使用plausible或者friendly（对算法来说容易求解）的方法，这样得到的是err^，而非err，是对err的估计或者逼近。
