机器学习需要完成两个问题：
1.Ein和Eout尽可能接近
2.Ein要小
对于M来说（M表示hypothesis的size），如果M太小，对于第一个问题是好的，因为我们犯错误的几率降低；然而对第二个问题就不好，因为这意味着我们hypothesis的选择变少了，那不一定能找到一个足够小的Ein。如果M太大，情况又会相反。所以我们M的大小挺重要。
PLA的M是无限大的（如二维平面有无数多条线），这意味着犯错误的几率上限将是无限大，这显然就不能保证Ein和Eout很接近。其实在计算P[BAD]时我们用了union bound将上限扩大了一次。当各hypothesis的坏数据没有重叠时union bound可以取到等号，然而实际上在无限size中许多hypothesis是很接近的，例如平面内的两条接近的线，它们的bad data往往也会接近，我们计算的P[Bi]有大量的重叠，而我们只用连加的方式，这就使得我们上限被过分高估，最终我们无法处理无限大的情况。
所以我们希望能用一个size有限的，bad data不重叠的mH来替换掉M。为了解决这个问题，我们把hypothesis分成一类一类的，每一类都是相似的，这样不同类别的hypothesis的bad data就不会重叠，就能用来代替M。用平面上的点二元分类做例子，假设只有一个数据点，那么无限多条线可以分成两类。
两个数据点就是4类
由此类推，3个点8类，4个点16类，n个点2^n类。但是当3个点共线时，有两种情况是直线无法得到的
4个点也有两种情况是直线不能划分的
所以我们可以相信，往后的类数目都会比2^n小（实际上小得多）。假如把它称为effective(N)，因为N是有限个数据点，所以effective(N)是有限的，我们将它代替M。
因为effective(N)与输入的点有关，如给你三点共线有6种，不共线有8种，我们就取所有可能中最大的来当mH(N)代替M。mH为N的成长函数。
四种成长函数：
如果mH是多项式的就会很好，因为增长得慢，而指数就不那么好了，当数据N很大时，指数增长mH会更加大，公式看出不能确保Ein和Eout接近。
所以我们希望PLA的growth function也是多项式的。
shatter：如果mH(N)=2^N，意味着N个点所有情形都被hypothesis set包含进去，我们就说N个输入被shatter
break point：第一个使得mH(N)<2^N的N，即第一个不能shatter的N
然后我们得到break point可能与mH(N)有关：
