本章重点: 简单的论证了即使有Noise，机器依然可以学习，VC Dimension对泛化依然起作用；介绍了一些评价Model效果的Error Measurement方法。
一论证即使有Noisy，VC Dimension依然有效；
| 下图展示了主要思想，以前的数据集是确定的（Deterministic），现在加了Noisy变成了分布函数了，即对每个一x，y出现的概率是P(y | x)。可以这么理解，概率表示的是对事件确定的程度，以前确定性的数据集是 |
| P(y | x) = 1, for y = f(x) |
| p(y | x) = 0, for y != f(x), |
| 加入了Noisy，便不是了，有一定的概率例如0.7是应该出现的值，0.3则为犯错的概率，即出现了不该出现的值。这便是加入Noisy的模型，只不过增加了概率分布（其实以前也是，只不过是1和0罢了），只要y是p(y | x)取值的，就可以认为以前证明机器可以学习的方法依然奏效，VC Dimension有限即可推断Ein和Eout一致。 |
二关于Error
对于Train完之后的error，有pointwise，out of sample以及classification（0/1）三种。
PointWise error实际上就是按数据集每个点比较并计算平均，像Linear Regression里面的最小平方和的cost function就是这类。即下图所示。
实际上，机器学习的Cost Function即来自于这些error，也就是算法里面的迭代的目标函数，通过优化使得Error（Ein）不断变小。
对于这些error，实际上和使用场景关心很大，我们知道Model的判断结果大致有4种：
TP：Model预测是对的，实际也是对的，这个是好事；
FP：Model预测是对的，但实际是错的，这是坏事，即false accpet；
FN：Model预测是错的，但实际是对的，这个是坏事，即false reject；
TN：Model预测是错的，实际也是错的，这个是好事。
两种错误，FP和FN，这两者在不同情形严重情况不同，所以需要具体情况具体分析。一般错误函数的选择采取下面的策略，Plausible或者Friendly。
