主要讲解内容来自机器学习基石课程。主要就是基于Hoeffding不等式来从理论上描述使用训练误差Ein代替期望误差Eout的合理性。
PAC : probably approximately correct
一方面：根据PAC,针对一个h,Ein与Eout的差距很大的概率是很小的
另一方面：不能说直接选定一个h,需要从许多h中选择一个Ein较小的，可能出现某一些坏数据在某些h上的表现很差，但是坏数据在所有h上表现都差的概率很小。
1. Hoeffding 不等式
用频率代替概率，如果抽样的数目很大的话，频率和概率的差别不会很大。也就是 （频率 PAC 概率）
2.Connection to Meachine Learning
描述了Ein PAC Eout，所以h在资料上的表现就可以用来估计h在所有资料上的表现。
所以，我们的学习问题就变为：
Hoeffding形式：
上述由Hoeffding不等式说明了N很大的时候，用Ein和Eout是差不多大概是一样的。但是上述说明的是某一个特定的h，这时候的Ein可能是很大的，Ein和Eout很接近,但是g和f差别很大。所以需要验证某个g好不好。
3. h可以自由选择
那么接下来就论述假如有很多h呢？
Hoeffding说明了对一个资料，不好的资料（Ein 和 Eout差别很大）很少。在演算法不能自由选择，可能会踩到雷。
所以，现在如果让演算法可以自由选择，那么：
所以，对于有限的假设，如果演算法可以自由选择，资料量大，这样一定可以选择到一个g，使得Ein和Eout是接近的。所以，选择Ein最小的是有道理的。
好了，现在证明了有有限个h的时候，如果演算法可以找到一个小的Ein的时候，演算法还是可行的，那么如果有无限个h呢？