weixin_44585637的博客

答案是否定的，因为推论2.3.2是针对某个单一的假设而言的，且其经验误差的期望等于泛化误差（y大数定律，第2.1节）但对于一个训练样本来说，当假设hs不固定时，泛化误差R（hs）就是一个随机变量，而一般与经验误差的期望E( R )（常数）不同。但，不一致，并不意味着不能学习，在训练样本上允许少量误差的不一致假设可能是满足使用要求的，并且这种假设在一定条件下是满足PAC理论的。那么，在这样的设定下，真实错误率为R(h) = p，对应地，通过i.i.d. 训练样本可以得到一个正面向上的经验概率。

回顾：2.1节中讲到的矩形例子中，学习算法返回的假设总是一致的，即这样的假设在训练样本上准确无误。本节内容另外又参考了（周志华老师）《机器学习》一书的一些解释。分为两种情况分开讨论其泛化能力。

该问题特点：假设集H与概念类C是一致的，并且假设集是无限的。（关于模型一致性与泛化性的相关概念此处不再赘述）

机器学习基础-Foundations of Machine Learning学习笔记

1.样本(example)/实例(instance)集合 or 输入空间：记为XX；2.标签(label)/目标值(taget value)集合：记为YY；**注意：本书中考虑二分类问题作为入门，因此Y01Y01;3.一个概念ccccX→YcX→Y表示XX到YY的一个映射；注意：同样，对于二分类问题中，可以认为概念指的是从XX到01\{0,1\}01的映射，进一步的可以认为概念是XX的一个子集。4.概念类CCC。