我们在研究机器学习的过程实际就使用我们的数据集Data来找到假设空间中的版本空间。
图（1）
目标就是--找到与训练集“匹配”的假设。
在图中就是要找到
假设空间就是总的可能的空间。（就是指所有的可能，也就是本文章第一句话中的所有假设组成的空间）
假设空间的大小：（n1+1）* (n2+1) * (n3+1) + 1
（拿图一举例，色泽有三种可能，青绿和乌黑和全选，也就是*，表示好瓜与否和色泽无关，根蒂有四种可能，蜷缩，硬挺，稍蜷和 * ，敲声也有四种，最后还要加上根本没有好瓜这一种可能性，所以假设空间就是3*4*4+1，就是49种）
版本空间：与已知数据集一致的所有子集集合。强调一件事情，这个版本空间并不是真相，而是我们利用已知数据集逼近真相所获得的产物，只能说真相被包含在版本空间内。
由图(1)中，我们可以获得版本空间如下图 
图(2)
那么，这样就结束了吗，并不是。我们想要的是在面临一个新的样本时，会产生较为可靠输出。那么我们给一个样本(青绿，蜷缩，沉闷) ，单单通过上面的版本空间，根据不同的假设，我们可能会得出不同的输出Yes or No ，这并不好，所以就引出了下一个概念，归纳偏好。
通过有限的数据集会产生出无限种假设（模型），那么我们如何选择这些模型呢，这就是归纳偏好。
我们面对这样的问题通常采用一个原则：奥卡姆剃刀原则--若非必要，勿增实体。通俗来讲就是越简单越好，那么这样就解决偏好问题了吗？并不是，这个“简单”，其实并不简单，因为对于简单的比较可能是有很多的，比如 和
这两个公式哪一个更简单呢？我们可以说第一个简单，因为最高次低，是二次，第二个是三次，也可以说第二个简单，因为第二个只有两项，第一个有三项。这就是两种假设不同的偏好。任何一个有效的机器学习算法必有偏好。根据不同的问题进行量身定制适合他们的模型，实际上就是定制他们的归纳偏好。
NFL定理：No Free Lunch Theorem 没有免费的午餐。在机器学习领域，在所有问题出现机会相同、或所有问题同等重要的情况下，没有一种算法比另一种完全好。即有A算法在某些问题上比B算法要好，那么一定有另一些问题B比A好。
这个定理给我们的启发就是面对不同的问题要面对问题定制算法，没有一个最好的算法可以适用于所有问题。简单来说：具体问题，具体分析。