接着上一讲留下的关子，机器学习是否可行与假设集合H的数量M的关系。
机器学习是否可行的两个关键点：
1. Ein(g)是否足够小（在训练集上的表现是否出色）
2. Eout(g)是否与Ein(g)足够接近（在训练集上的表现能否迁移到测试集上）
（1）如果假设集合数量小（M小），可知union bound后，Ein与Eout是接近的；但由于可选择的假设集合少，Ein(g)效果可能不佳；
（2）如果假设集合数量大（M大），有可能Ein(g)会获得更多的选择，测试集上效果更好；但由于M数量过大，训练集和测试集的表现差距可能比较大；
因此，这里存在一个trade-off，如何选择合适的M非常重要。因此有了如下的目标：
如何把union bound产生的M用mH来代替，把无限变成有限，找到合适的trade-off的M取值。
要想把M用mH来代替，回顾一下M是如何来的。
union bound是把假设集合中的所有假设出现BAD event的概率直接加起来，P(A+B)≤P(A)+P(B) 这种形式得来的。
这里就有一个缺陷，如果这些BAD event有重叠的部分，那么union bound就大大地不准确了，就是这个bound太大了。如下图所示：
上面的抽象描述还不够直观，下面举了一个具体的例子。
H = {all lines in R²} 假设集合是二维平面上所有的直线。显然直线有无数条，因此这里的M是正无穷大。
接下来换了一个视角，不看线而是来看平面上的一个点。
如果问题是binary classification，那么以某个点的视角来看，一条线要么把其划分为+1要么划分为-1。
这样一来，无限多个假设集合在x1这个点看来，就变成两类了。
以此类推，可以得到binary classification的Effective Number of Lines:
对于binary classification来说，就找到了替代M的方式，即无限缩减为有限了。
下面给这种假设集合的分类起一个正规的名字Dichotomies: Mini-hypotheses
这里就可以用某个假设集合在N个样本点下的dichotomies的数量来代替M。
但是这里有一个限制，就是dichotomies的在H,N的取值，是取决于具体取了哪N个样本点的。
现在只想与N有关，不想与哪N个样本点有关；因此再次定义了一个Growth Function:
Growth Function的核心意思是说：在所有可能的N个点当众，Growth Function取的那N个点是可以让dichotomies最大的N个点（如果是binary classification）。
这样，相当于与具体哪N个点无关了，只要保证这个N个点能产生的Growth Function值最大，记为mH(N):
m 表示取代M
H 表示是假设集合的一个函数
N 表示与样本点的数量有关（但是与哪N个点解耦了）
接下来，分析了几个Growth Functions的例子，
有的是polynomial的；有的是exponential的，如果是多项式的就不错了，如果是幂指数的那还是随着N的增大太大了。
以binary classification来说，2的N次幂确实是upper bound；
但是我们可以清晰地看到，在2D perceoptrons中，如果N大于等于4，显然mH(4)无法达到16（见上上个图）。
给这里的‘N=4’起一个名字——Break Point of H。
如果对于假设集合H，我们能找到某个Break Point（其值记为k），是否可以猜测，mH(N)可以被N的k-1次幂bound住呢？（即，mH(N)是N的多项式形式，多项式最大的幂是k-1）