一種演算法（演算法a）在特定資料集上的表現優於另一種演算法（演算法b）的同時，一定伴隨著演算法a在另外某乙個特定的資料集上有著不如演算法b的表現；
具體問題（機器學習領域內問題）具體分析（具體的機器學習演算法選擇）。
具體哪乙個函式更好，取決於資料本身的規律，而這個規律，從有限的觀測資料中，是不可能絕對準確地把握的。
沒有免費午餐理論所證明的是：能產生所觀測到的資料的規律有無窮多種，而乙個函式只能很好的擬合其中某些規律，而無法很好的擬合另外一些；如果考慮所有這些可能的規律，那麼任何函式都只是在進行隨機猜測而已。
沒有免費午餐定理最重要的寓意，是讓我們清楚地認識到，
脫離具體問題，空泛地談論「什麼學習演算法更好「毫無意義，
因為若考慮所有潛在的問題，則所有的演算法一樣好。
要談論演算法的相對優劣，必須要針對具體問題；
在某些問題上表現好的學習演算法，在另一問題上卻可能不盡如人意，學習演算法自身的歸納偏好與問題是否相配，往往會起到決定性作用。
機器學習西瓜書 歸納偏好和沒有免費午餐定理
歸納偏好 機器學習演算法在學習過程中對某種型別假設的偏好，稱為 歸納偏好 或簡稱為 偏好 偏好的原則 奧卡姆剃刀 若有多個假設與觀察一致，則選擇最簡單的那個。沒有免費午餐定理 首先約定如下 樣本空間 chi 離散的 假設空間h eta h 離散的 l al a la 乙個訓練出的演算法 x xx 訓...
簡化論述沒有免費午餐定理（NFL）
no free lunch theoren 定理 沒有免費的午餐定理，簡稱nfl定理，由美國史丹福大學的wolpert和macready教授提出。在機器學習演算法中的體現為在沒有實際背景下，沒有一種演算法比隨機胡猜的效果好。首先，我們假設乙個演算法為a，而隨機胡猜的演算法為b，為了簡單起見，假設樣本...
奧卡姆剃刀和沒有免費的午餐定理
奧卡姆剃刀 和 沒有免費的午餐 是機器學習中兩個很基本的原則和定理。由於名字有點怪，所以初學者可能在理解上陷入誤區。本文試圖用簡潔易懂的方式解釋這兩個原則和定理，並告訴大家它們的名字是怎麼來的。奧卡姆剃刀 和 沒有免費的午餐 是機器學習中兩個很基本的原則和定理，很多書都會提到它們來提公升逼格。不過，...