给定任意D，它是某些H的Bad Sample（即Ein和Eout不接近）的概率为：
即H中备选函数的数量M=|H|越少，样本数据量N越大，则样本成为坏样本的概率越小。在一个可接受的概率水平上，学习算法A只需要挑选那个表现最好的h作为g就行了。
挑选出最好的g需要满足两个条件：找到一个假设g使得Eout(g)和Ein(g)是非常接近的，使得Ein(g)足够小，
下面是BAD和M的关系：
因此选择一个合适的M是非常重要的，需要用一个有限的值m来替代一个非常无限的值M
思路：overlapping for similar hypotheses h1 ≈ h2 ，它们的Ein(h1)≈Ein(h2),Eout(h1)≈Eout(h2)(比如说PLA中的两条直线，相邻的很近的直线)=>union bound over-estimating
to account for overlap,we can group similar hypotheses by kind
h对D的一个Dichotomy(二分):备选函数集中的每一个函数h都是输入X到输出Y的一个映射：H={hypothesis h:X->{×,Ο}}将h(x1,x2,...,xN)=(h(x1),h(x2),...,h(xN))∈{×,Ο}N 其中H(x1,x2,...,xN)包含了所有对D的dichotomies。
hypotheses H 和dichotomies H(x1,x2,...,xN)的区别：
growth function: remove dependence by taking max of all possible (x1, x2, . . . , xN)
4个成长函数
break point：有k个输入，如果它不能被当前的备选函数集H shatter，那么k就是H的一个Break Point
