表1.1 包含4個樣例，3種屬性，假設空間中有3 * 4 * 4 + 1 = 49種假設。在不考慮冗餘的情況下，最多包含k個合取式來表達假設空間，顯然k的最大值是49，每次從中選出k個來組成析合式，共種可能。但是其中包含了很多沉餘的情況(至少存在一個合取式被剩餘的析合式完全包含<空集除外>)。
如果考慮沉餘的情況 在這裏忽略空集，一個原因是並不是太明白空集是否應該加入析合式，另外就算需要加入，求出了前面48種假設的組合，可以很容易求出加入空集後的組合數(每種可能都可以加上空集，再加上1種空集單獨的情況)。 48種假設中： 具體假設：2∗3∗3=18種 一個屬性泛化假設：2∗3+3∗3+2∗3=21種 兩個屬性泛化假設：2+3+3=8種 三屬性泛化：1種
回答1：
1). 通常認爲兩個數據的屬性越相近，則更傾向於將他們分爲同一類。若相同屬性出現了兩種不同的分類，則認爲它屬於與他最臨近幾個數據的屬性。
2). 也可以考慮同時去掉所有具有相同屬性而不同分類的數據，留下的數據就是沒誤差的數據，但是可能會丟失部分信息。
回答2：
1). 定義一個閾值，只要訓練後滿足的樣本數量百分比達到這個閾值即可。
2). 在訓練過程中選擇滿足最多樣本的假設。
NFL首先要保證真目標函數f均勻分佈。對於X個訓練數據的二分類問題，顯然f共有種情況，其中一半是與假設一致的，也就是P(f(x) = h(x)) = 0.5.因此，其中應爲常數，如果性能度量爲錯誤率，二者各爲0.5，則該值爲1，如果爲其他性能度量，根據網友的想法：，應當隱含這樣的充分條件。
https://wenku.baidu.com/view/fd90c73f4b35eefdc8d3335e.html
