通常从准确性和模型复杂性的角度来看过度拟合的方面。为了减轻过拟合，我们通常采用 k 折验证、训练-验证-测试集的实用方法。

问题：理论上，我们是否可以利用统计学习理论 (COLT) 来确定学习效果的置信度以及对未见过的示例进行分类的效果如何？

例如，很多时候我们考虑学习所需的最小样本数（上限/足够样本）（VC Dimension）。同意，这是一个高估，加上|H| 或者 VC Dimension 在实践中可能是未知的。另一种观点是，给定样本数量“m”和“delta”（失败概率）——我们发现误差界限（在未见过的例子上）——我们可以从理论上解释这个误差界限是对过度拟合的估计吗？我从 Nello Cristianini 的关于 SVM 的书中得到了这种直觉。

感谢任何指针。