这节的主题感觉和training，testing关系不是很大，其根本线索在于铺垫并求解一个问题：

 

 为什么算法PLA可以正确的work？因为前面的知识告诉我们，只有当假设的个数有限的时候，我们才能比较确认我们得到坏的数据集的概率比较低，也就是说算法得出的假设和最佳假设在全局表现相同（错误率相等），可是PLA的假设是平面上的直线，不是无数个么？为什么可以正常泛化？

 

为解释这个问题，有了这节以及下面几节的课程

 可以看到这个问题其实很重要，因为这是我们理解机器为啥能学习的关键一步，因为很多机器学习算法的假设看似都是无限的。下面这个图给出了理解机器为啥能学习的关键：

即满足假设个数有限，采样数据足够大是算法泛化能力强大与否的关键，而Ein足够小是保证算法正确的前提。即，机器学习算法的终极目标是找到泛化能力强的错误率低的假设。

Training的目的是保证Ein足够小，Test则是确认Ein可以和Eout相同，即泛化效果好

对于M，其对机器学习算法的影响可以理解为，如果M小，泛化能力强，但是选择太少，不一定能找到Ein足够小的假设；如果M大，选择多，有很大概率找到好的假设，但是得到坏数据的概率也相应的增加了。所以，M的大小很关键。既不能小也不能大，那么对于看似无穷大的M的PLA该怎么解释？

 

首先回忆下M是怎么计算出来的，

问题的关键在于不等式的最后一步，是取的Union bound，也就是假设各个假设之间没有交集，这是最坏的情况，可是实际上往往不是如此，很多情况下，都是有交集的，也就是说M实际上没那么大。

那么就会想，什么样的假设有交集？当然是类似的，也就是错误率相同的，分类情况相同的。由此引入Dichotomy的概念。

  上图中提到的dichotomy实际上指的是，能够得出不同X分类的假设的个数。例子是对全体直线，假设数据集大小是N，那么其实最多dichotomy就是2^N，而不是前面说的无限个。这个概念对证明M其实不大的作用不是很大，真正有作用的是成长函数，及M的上线。

  成长函数，则是值最大的Dichotomy。

  通过计算4种不同机器学习问题的Growth Function，发现其实它不是2^N，而是会比它小，那么如果M可以用Growth Function 替代，那么就有希望了。

  Break Point： 对特定假设函数集合，假设数据集的个数是N，那么使得数据集其中k个数据的所有种类的dichotomy都不能被shattered，即为一个break point;

  那么很明显的一个性质（通过数学归纳法），如果k为break point，那么k+1，k+2，。。。等之后所有新加入的数据都为break point

  可以想象得到，M并不是无限的，而是由Growth Function决定的，如果它是多项式级别的话，可以认为机器是可以学习的。