参考：
- 统计方法分析-李航
- 经验风险、期望风险、结构风险
条件概率分布或决策函数，在监督学习中指的是所有可能的目标分布或函数的假设空间。
二、策略按照什么样的准则学习，从而得到最优的模型，比如损失函数、风险函数、正则化、经验风险、结构风险等等。
2.1、损失函数与风险函数损失函数 度量 模型一次预测的好坏。 风险函数 度量 平均意义模型预测的好坏。
损失函数值越小，模型越好。由于模型的输入、输出是随机变量，遵循联合概率分布P(X, Y)，所以损失函数的期望： 
这是理论下模型f(X)关于联合概率分布P(X, Y)的平均意义下的损失，称为风险函数（risk function）或期望损失（expected loss）。
学习的目标就是选择期望风险最小的模型。
给定一个训练数据集 T = {(x1, y1), (x2, y2), (x3, y3)… (xN, yN)}。 模型关于训练数据集的平均损失称为经验风险(empirical risk) 或经验损失(expirical loss)，记作Remp(f):
根据大数定理，当样本容量N趋于无穷时，经验风险Remp(f) 趋于 期望风险Rexp(f)。所以一个自然的想法就是使用经验风险估计期望风险。 但是，由于训练样本小，所以使用经验风险估计期望风险并不理想。要对经验风险进行矫正，这就需要监督学习的两大策略：
2.2、经验风险最小化与结构风险最小化 三、算法学习模型的具体计算方法，比如梯度下降、随机梯度下降等。
