在模型学习学习中，采用参数去衡量该假设h loss的优秀程度。
一般认为时h为一个失败假设，一个训练集中，假设一个分布上界，即有m个样本将会导致学习器的失败的分布：
导致学习器失败的样本分布上界
假设集中的会学习失败的假设的集合
导致对学习器误导的样本
上式简单来说，就是说存在着一些失败假设，能够使得在真实情况下不应该被纳入正确样本的集合作为证明这些失败假设正确的样本，使得本该失败的该假设loss为0。
也就是说，训练集中的所有的错误样本，都属于能导致对学习器误导样本集M。
递推后得上式
