好的，相信你多半可能是对这个标题产生兴趣才进来的，本文章可跟吃的没有任何关系呢，"没有免费午餐"定理(No Free Lunch，简称NFL)是Wolpert和Macerday提出的“最优化理论的发展”之一。不和吃的有关你可能会失望了，但是这是一个非常有趣的一个定理，我相信等你看完你也会觉得的。
我们先来思考一下这么一个问题，现在机器学习和深度学习在我们的生活中，已经成为了不可缺少的一部分，就单单对我们生活而言，他们的发展极大方便了我们的生活，例如你每天都要使用手机上网，互联网的存在以及它们的应用给你带来了乐趣和便利。 那么既然机器学习和深度学习的成功，存不存在着一种算法，它能够在任何领域，任何情况下都表现为最佳，即有没有一种最好的算法，这样科学家们只需要努力的寻找这么一种算法就好了，但是很遗憾，事实证明，这并不存在。那么接下来，我们一起看一下这个定理的简单证明。接下来会涉及一点数学，每步我都会进行解释，看看数学家们是如何运用数学来完美解释的！
简单说一下机器学习，是建立一个解决问题的模型（算法)，然后通过对给定训练集的样本进行学习，通过学习不断优化自身，让其向这个问题的真实模型靠近，最后学得一个模型，使得能够在训练集之外的样本，即未见样本，对其进行预测，仍会有好的表现！
例如我们现在要训练一个模型，让它能够用来对西瓜进行分类，将西瓜分成好瓜和坏瓜，这是一个二分类问题。 给的的训练集是西瓜的一些属性，例如假设决定西瓜得好坏由以下属性决定，当模型在这个数据集上进行学习，不断得优化自己，然后在未见样本下，对其进行预测，仍然有很好得表现！即我们模型的泛化能力很好，这是我们训练模型的终极目标！
首先，假设一个算法为a，而随机胡猜的算法为b，为了简单起见，假设 样本空间为和 假设空间H 都是离散的。令 P(h|X,a) 表示算法a基于训练数据 X 产生 假设h 的概率，再令 f 代表我们希望学习的真实目标函数。算法a的训练集外（测试集）误差，即算法a在训练集之外（测试集）的所有样本上的误差为：
其中函数为指示函数，当里面的为真，即
,函数取值为1，否则为0.
表示在使用算法a时，认为训练集数据X为假设h的概率。
令人生畏的长公式，不过我们来依次解读它，
首先看里面这个，, 预测值h(x)与真实值f(x)一致则误差为0，不一致则误差为1，即I(h(x)≠f(x))，由于x是一个随机变量，那么这个误差值也是一个随机变量，取值为0或1，其在训练集之外的所有样本上的 期望 可以看作 假设函数h 在训练集之外的所有样本上预测的错误率，定义为 假设函数h 对 训练集之外的样本 x 的误差
与此同时，在 算法a 的假设空间中可能会存在多个假设函数 与训练集一致，每一个假设函数的产生是有概率的，假设算法a在训练数据集X上产生某个假设h的概率为 P(h|X, a)（在使用算法a，把训练集样本X,认为是假设h的概率），那么，我们接下来要做的是定义a在“训练集之外的所有样本上的误差”，而不单单只是a产生的一个假设h的误差。
我们已经定义了 假设函数h 在训练集之外的所有样本上的误差，由于假设h是算法a以概率P(h|X, a)产生的，那么我们可以定义算法a的误差为所有可能的h的误差的期望，所以按照上面的那个方式，同理，在外面嵌套一层即可，即：
接下来，考虑二分类问题，而且真实目标函数可以是任何函数，假设对所有可能的f按均匀分布对误差求和，有:
因为每个乘积都是独立的，所以可以把求和符号放到任意位置，
因为根据假设所有可能的f满足均匀分布，所以 会有一半为0，一半为1，然后任何函数取值都为0和1，样本空间有
个元素，令
,所以
，然后
，因为在所有情况下概率和为1嘛。 即：
我们得出一个惊人的结果，可以看到总误差竟与算法无关!!!! 即对于任何两个算法a和b,我们都有
也就是说，无论学习算法a 多聪明、学习算法b 多笨拙，它们的期望性竟然相同！这就是"没有免费午餐"定理。
这下子，你对想学习机器学习和深度学习的热情可能被一盆水浇透了：既然所有学习算法的期望性都跟随机胡猜差不多，那还有什么好学的？
聪明的你可能注意到，NFL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，但实际情形并非如此，很多时候我们都会只关注自己正在试图解决的问题，希望为它找到一个好的解决方案，至于这个解决方案在别的问题、甚至相似的问题上是否为好方案，我们并不关心。
所以我们可以在解决特定的问题的时候，能够找到在这个情况下，较好的算法，例如在解决非线性问题的时候，例如拟合非线性函数，神经网络其强大的学习能力明显具有很大的优势！！
最后，NFL定理告诉我们的是，如果脱离实际背景，空谈什么都是毫无意义的，还不如随机胡猜来的快！！！
正如这个形象的名字，世上没有免费的午餐，天上不会掉馅饼，努力奋斗才能梦想成真！
加油!
由于水平有限，根据自己的理解编写，有错误望指出！
注：转载请注明原文地址
部分引用周志华的《机器学习》，百度百科，CSDN
