?每一种算法都带有一种归纳偏好，归纳偏好，可以理解为算法对于某种假设的偏好，这种偏好可以体现为线性回归模型对于模型线性的假设偏好等。
奥卡姆剃刀原理
关于归纳偏好，对于一个数据，模型有许多的归纳偏好，也就是有许多的假设，那么如何进行归纳假设的选择呢，一般性的原则就是：最简单原则-奥卡姆剃刀原理，也就是使模型的结构尽量简单，这也是《统计学习》中提到的结构风险最小化。
简单有什么好处呢，其中之一就是具有良好的泛化性，如果结构过于复杂，会产生过拟合的现象。
NFL（没有免费的午餐）
如图，见详情可见机器学习p9，这个式子作以下说明：
- 假设：P(f i)几率相等，也就是说每个目标函数的概率相等（f 就是各类问题所对应的目标函数，而La就是带有归纳偏好的选择算法）
- 公式解释：E代表使用La算法（某种归纳偏好），对所有的问题求解所产生的总误差（注意，是对所有问题）
- 公式的证明目的：证明使用某种算法（带有某种归纳偏好）求解所有问题，所产生的误差只与数据本身有关，与学习算法无关，这里也就是说：如果你想用一种招式打遍天下，输赢的局数，和你的招式是无关的，也就是 “天下没有免费的午餐”。
?这里周教授并不是说选择什么算法都没有用了，我们不要忽略这样的前提：所有问题出现的概率相等，举个例子：两种瓜让我们分辨是否是好瓜，一种是带有特征A, 一种是特征B，我们有两种推理规则f1（判断A类型为好瓜，B为坏瓜）, f2（判断原则相反），那么如果假设两种瓜出现的概率相等（问题出现的几率相等），那么我们应用f1或者f2 去判断两种问题 都是相同的误差，此时算法就失效了，但是，A特征的瓜世界有200个，但是B特征的瓜有1个，那么我们针对A类型的瓜挑取，当然选择f1作为依据，而不是整体考虑所有类型的瓜。
总结
?这就要告诉我们：算法本身就是一种归纳偏好，如果所有的问题出现概率相等，那么解决所有问题产生的总误差，与你选择的算法无关，某个算法只在某个问题上才有意义。我们要具体问题，具体分析！