PAC 代表可能近似正确。这是计算机科学中一个非常常见的研究领域，用于寻找某些假设集的可学习性证据。

通常的假设集不是分布（如统计学），而是更合乎逻辑的公式，如DNF、CNF、DFA等。

为了证明可学习性，您需要证明对于每个样本分布，对于每个概念$h$在假设类$H$, 对于每个$\lambda$（概率部分）并且对于每个$\epsilon$（大约部分）你可以找到一个假设$h^*$这样至少有概率$1- \lambda$之间的分歧$h$和$h^*$会小于$\epsilon$.

这个学习标准非常高，一些研究证明了许多简单假设集的负面结果。

当您尝试学习区分猫和狗时，您没有假设集的数学定义。大多数出版物在数据集上运行算法并显示其结果。几乎没有人证明算法是正确的（即使给出了一些假设）。我觉得缺乏证据非常可悲。

PAC 背后的数学实际上是概率。假设您有两个立方体（分类器、概念）并且您想知道它们的相关性。所以，你把它们扔在一起$m$次，您检查分歧的程度，epsilon。越高的$m$并且越低$\epsilon$，您越有信心这是由于相关性而不是由于错误，$\lambda$. 鉴于这种直觉，PAC 学习通常在另一个方向上起作用。一旦您声明了所需的 lambda 和 epsilon，算法就会提供样本数$m$需要到达他们。