在我们检查的 轴对齐矩形示例 中，算法返回的假设 hS 总是一致的，即它在训练样本 S 上不出现错误。 在本节中，我们为一致假设提出了一般的样本复杂性界限，或者等价地说，是一般化界限，在假设集的基数 ∣H∣ 有限的情况下。 由于我们考虑的是一致假设，我们将假设目标概念 c 在 H 中。 学习界限 — H 有限一致情况 我们现在使用 定理 2.5 来分析带有各种概念类的PAC学习。 示例 2.6（布尔文字的合取） 示例 2.7（通用概念类） 示例 2.8 ( k-项析取范式) 示例 2.9 ( k-CNF 公式)