本文解释为什么机器学习模型需要“假设”才能发挥作用，以及为什么不存在适用于所有任务的万能算法。

---

1. 无免费午餐（No Free Lunch, NFL）定理

1.1 定理核心结论

无免费午餐定理说明：

如果所有可能的任务（或目标函数）都等概率出现，则任何两个学习/优化算法的平均性能完全相同。

数学表达：

$$\mathbb{E}_f[\text{performance}(A, f)] = \mathbb{E}_f[\text{performance}(B, f)]$$

一、背景与动机

在随机算法、蒙特卡罗模拟或概率建模中，我们常常希望从某个特定分布中生成随机变量样本。
然而，大多数编程语言或计算机硬件只提供均匀分布的随机数生成器，例如：

$$u \sim U(0,1)$$

一、什么是"学习"

"学习"本质上是一种从经验中改进未来决策的过程。
Mitchell（1997）在经典教材 Machine Learning 中下了一个非常简洁的定义：

若某个程序在任务 T 上，通过经验 E，使得其在性能度量 P
上的表现提高，则称该程序从经验 E 中学习。

换成人话就是：
程序从数据（经验）里提炼规律，以便下一次遇到类似情况时做得更好。

---