这下子，读者对机器学习的热情可能被一盆冷水浇透了：既然所有学习算法的期望性能都跟随机胡猜差不多，那还有什么好学的？
我们需注意到，NFL定理有一个重要前提：所有“问题”出现的机会相同、或所有问题同等重要．但实际情形并不是这样．很多时候，我们只关注自己正在试图解决的问题（例如某个具体应用任务），希望为它找到一个解决方案，至于这个解决方案在别的问题、甚至在相似的问题上是否为好方案，我们并不关心．例如，为了快速从A地到达B地，如果我们正在考虑的A地是南京鼓楼、B地是南京新街口，那么“骑自行车”是很好的解决方案；这个方案对A地是南京鼓楼、B地是北京新街口的情形显然很糟糕，但我们对此并不关心，事实上，上面NFL定理的简短论述过程中假设了，的均匀分布，而实际情形并非如此．例如，回到我们熟悉的西瓜问题，考虑_[假设1：好瓜÷÷（色泽=术）八（根蒂=蜷缩）八（敲声=浊响））和{假设2：好瓜÷÷（色泽=木）八（根蒂=硬挺）/（敲声=清脆）]-．
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
