此次主要是由分类来引出
由于宝可梦的图片比较简洁，而数码宝贝的图片就显得比较复杂，我们计算出他们的轮廓，求出白色数量的多少。
e的函数会计算线条的复杂程度。当得出的线条的复杂程度，小于h。我们认为其是宝可梦，反之就是数码宝贝。主要需要确定h的大小
以下就是H的可能大小，H的选择约多，那么模型就越复杂。也就是定义模型的参数可选择很多,也称为模型复杂程度高.
选择相应的loss函数。
假设全部的宝可梦和数码宝贝的数量为D_all，h_all为区别宝可梦和数码宝贝的最优临界值。D_train是我们能找到的样本数据，h_train是在我们能找的样本训练而来的临界值。
以下为随机选择的样本D_train2,h_train2为由样本计算出的临界值。L(h_train2,D_all)为计算出的临界值在全部数量上的表现。
想要是什么？，我们希望同样的h在与D_train和D_all得出的loss，相差较小。所以我们需要找到一个合适的具有代表性得Data，使得在其上面训练得来的h，在全部data上面，也可以得到较好的结果。
每一个点代表一组训练资料，像上面D_train2一样。如果D_train是坏的，那么至少有一个H，使得损失的差值大于预定的值。比如：h2会在这九个上的训练loss，会比在整体上得训练loss差值大于预设值。
D_train是坏的样本的概率与什么有关。大N指的是样本容量 样本容量增加时 预测越精准 泛化误差上界就越趋近于零。|H|越小越好。
前者是说，训练集中实例数多了，直观看，实例越多，越接近真实分布，自然不容易得到坏模型；后者是说模型变简单了，少了一些参数，自然得到坏模型的概率就小了。
例子：
在large|H|中，理想中的L(h_all,D_all)比较小，但是现实的L(h_train,D_all)却比较大，两者相聚较远。另一种small|H|中，理想中的L(h_all,D_all)已经是比较差的，
现实的L(h_train,D_all)可以很接近。这个地方可以这样理解，相当于我们希望能在更小范围的H中找到最好的h使得Loss最小
达成同一个函数，深层的网络需要的参数更少，更加不容易过拟合。Shallow因为需要的参数多，所以为了不过拟合，则需要更加多的资料。
