PAC学习框架是机器学习的基础。它主要用来回答以下几个问题：
- 什么问题是可以高效学习的？
- 什么问题本质上就难以学习？
- 需要多少实例才能完成学习？
- 是否存在一个通用的学习模型？
PAC=probably approximately correct，很可能接近正确的
---------------------
什么问题能得到“可能接近正确”的结果呢？原文说的比较抽象，我把他翻译下：
说一个问题是PAC可学习的，需要定义m个sample组成S空间，其中每个sample服从D分布，并且互相独立；
如果存在一个算法A，在m（sample个数）有限的情况下，找到假设h；
使得对于任意两个数x，y，概率P(h对S中sample预测错误次数大于x) < y；
xy对应 中两个奇怪的符号！注意上面说的是小于，截图中说的是相反事件的大于。其实是一回事。
那么该问题是PAC可学习的。
----
举个例子，在二维平面上去学习一个矩阵：
目标是找到R，R内部的点是蓝色的，外部的点是红色的。
为了证明上面的问题是PAC可学习的，我们需要找到一个算法A，并且证明只需要m个实例，就可以是的概率等式成立。
首先确定算法：
这个算法很简单，就是所有蓝色的点的最小矩形R。那么这个R能不能满足上面的概率等式呢？假设给定x和y。如果错误个数大于x的概率小于y，需要什么条件呢？
不好回答，因此我们需要做一个转换：
我们先沿着R的4条边，向内部扩展，画出4个小矩形：r1,2,3,4。每个r的概率x/4。
如果R’的错误个数大于x，那么R’必然与r1,2,3,4中的至少一个有交集。（否则错误个数必定小于x）
因此有不等式：
由于并集的概率小于各自概率的和：
由于S中的每个sample的独立分布的，并且落在r1中的概率为x/4，所以
由于我们要求错误个数大于x的概率小于y，所以可以定义如下的不等式。
推导出m的下限。
这就说明只需要有限个实例就能满足上面的概率不等式。
------------------------------------------------
这就说明了，上面这个平面图形中学习矩形的问题是PAC可学习的。