摘要：
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 阅读全文
