朝霞不出门，晚霞行千里。这是人们在生活中总结出来的天气规律。当人们看到早晨的云霞的时候，便知道今天极有可能下雨，不便出门。晚霞告诉人们接下来不会有雨。
在这里“朝霞”和“有雨”，“晚霞”和“无雨”之间存在的关系是人们通过无数次的生活见闻总结出来的，也就是说，是人们学习得来的。
“朝霞不出门，晚霞行千里”的原理：先先说说霞的形成。霞是由于日出和日落前后，阳光通过厚厚的大气层，被大量的空气分子散射的结果。当空中的尘埃、水汽等杂质愈多时，其色彩愈显著。如果有云层，云块也会染上橙红艳丽的颜色。朝霞、晚霞这里指的主要是反射霞。早晨当太阳照射在西边的云彩上经过云彩的散射，使云彩呈深红色，这就是朝霞。它说明西边天空已经有云存在，而早上起云主要是由于天气系统性原因而形成的。未来随着天气系统东移，本地将逐渐转受其影响，天气将转阴雨。另一方面朝霞说明早晨天空有云彩存在，表明天空状态不十分稳定，随着太阳升高，热力作用增强，对流进一步发展，云也会进一步发展，容易造成阴雨天气。晚霞是指夕阳斜照在东边天空上的云彩，使云彩呈深红色。在这种情况下，一般西部天空没有云彩，太阳才能直接照射在东边天空，而东边天空上的云彩只会随着时间离本地愈来愈远的，不会影响本地的，而西边晴朗的天空也将会随时间逐渐移来，天气晴好。另一方面，晚上由于太阳下山，空气层结逐渐恢复稳定，对流减弱，原来白天生成的云彩也将归于消散，天气一般晴好。
既然人可以通过学习，掌握预测天气的本领，那么计算机能不能做到呢？
答案是肯定的，但是我们这里强调的是计算机能否具有学习能力，而非要介绍怎么做天气预报。
和人一样，机器在学习“本领”前，必须要有学习材料，对机器来说是数据，在这里我们称之为样本。如果我们要预测一个西瓜是否是好瓜，那么需要先拿到一些样本，通过学习这些样本数据，预测其他瓜的好坏。
数据集中的每条记录（一行），称为一个“示例”或“样本”，每个样本都有属性，比如色泽，其中青绿是属性值。属性张成的空间称为属性空间（也叫样本空间或输入空间），如我们把色泽、根蒂、敲声作为三个坐标轴，则它们张成一个用于描述西瓜的三维空间，空间中每个（样本）点对应一个坐标向量，比如（青绿，蜷缩，浊响），称为特征向量。
现在，我们准备好了用于训练计算学习判断瓜的质量的数据，称为训练集。计算机所要做的事情就是找到一个模型，可以将样本空间中的点进行分类（是否好瓜）。
在这里，训练集中每个样本都已被打上标签（是否是好瓜），即我们知道样本本来应当是什么类，机器学习这种拥有标记信息的数据叫做监督学习，而无监督学习则是训练没有标签的数据，此外还有半监督学习、强化学习等。
半监督学习的数据有部分标签，强化学习则是指智能系统从环境到行为映射的学习，以使奖励信号（强化信号）函数值最大，有环境提供的强化信号是对产生动作的好坏做一种评价，而不是告诉如何去产生动作。
这里应当提醒的是，并不是让计算机记住所有的情况，见到新样本时进行搜索匹配，而是假设这种“属性”到“分类”的映射符合某个函数（模型），学习的过程就是找到这个模型。当然，对一些数据可能符合的模型，我们可以做各种假设，所有可能的函数组成的空间，称为假设空间。
在训练数据过程中，我么可以减去那些与正例（或反例）样本不一致的假设，最终得到一个与训练集一致的假设集合（称“版本空间”），训练集使用这些假设都能正确分类。
版本空间中的假设并不都是我们需要的，即使它们在训练集中表现良好，但面对新的样本时，还有可能产生不同的输出结果。根据我们对数据的理解，往往选择具有一定偏向性的假设，比如由于某种原因，更相信根蒂的作用，于是会选择假设（色泽=；根蒂=蜷缩；敲声=），这样虽某种假设的偏好，称为归纳偏好（简称偏好）。
更一般的，“奥卡姆剃刀”原理可以帮助算法选择“正确的”偏好，即若有多个假设与观察一致，则选择最简单的那个，所以这个原理被称为“如无必要，勿增实体”。但是，“奥卡姆剃刀”得到的假设一定正确吗？请看下图
上面两种情况面对不同的问题，是完全有可能出现的。这里说的“优于”指的是在新样本上的表现，称为泛化能力。
没有免费的午餐定理指没有一种算法比随机胡猜的效果好，在机器学习中表示:若对于某些问题算法La学得的模型更好，那么必然存在另一些问题，这里算法Lb学得的模型更好.
不知道读者有没有发现，前面假设空间中的假设是可以随意假设的，但是脱离实际应用需求，空谈“什么学习算法更好”是没有意义的，所以在实际中，必须根据实际问题的应用场景，作出相应的假设，这才是“没有免费午餐”定理最重要的寓意。
参考：百度知道
《机器学习》周志华
https://blog.csdn.net/u013238941/article/details/79091252
