回顾上节内容：假设空间H有限，N足够大，不管A选择哪个h，Ein和Eout在一定范围内都是近似相等的，A根据D在H中挑选使得Ein足够小的g，就能说Ein=Eout(PAC)，即学习是可能的。
将学习分为两步：
train：A根据给定训练集D在H中选出g，使得Ein(g)≈0；
test：g在整个输入空间X上的表现要约等于在训练集D上的表现，使得Eout(g)≈Ein(g)。
思考：①我们是否能保证Eout(g)≈Ein(g)；②是否能保证Ein(g)≈0？
①当M小时，根据霍夫丁不等式，坏事情发生的可能性很小，所以满足Eout(g)≈Ein(g)，但是M小，可供选择的h少，不一定能保证Ein(g)≈0。
②当M大时，根据霍夫丁不等式，坏事情发生的可能性不一定很小，所以不一定满足Eout(g)≈Ein(g)，但是M大，可供选择的h多，能保证Ein(g)≈0。
综上，应该选择适当大的M，不能过大或者过小。
前面已经解决了M有限的情况，下面解决无限大的M：
想办法找到有限值mH取代M：m表示可能比原来的M小，H代表与假设空间的一些性质有关系。
当h1≈h2时