然而，奥卡姆剃刀并非唯一可行的原则．退一步说，即便假定我们是奥卡姆剃刀的铁杆拥趸，也需注意到，奥卡姆剃刀本身存在不同的诠释，使用奥卡姆剃刀原则并不平凡．例如对我们已经很熟悉的西瓜问题来说，“假设1：好瓜÷÷（色泽=木）八（根蒂=蜷缩）八（敲声=浊响）”和假设2：“好瓜÷÷（色泽=术）^（根蒂=蜷缩）八（敲声= *）”这两个假设，哪一个更“简单”呢？这个问题并不简单，需借助其他机制才能解决．事实上，归纳偏好对应了学习算法本身所做出的关于“什么样的模型更好”的假设，在具体的现实问题中，这个假设是否成立，即算法的归纳偏好是否与问题本身匹配，大多数时候直接决定了算法能否取得好的性能．让我们再回头看看图1.3.假设学习算法如基于某种归纳偏好产生了对应于曲线A的模型，学习算法￡6基于另一种归纳偏好产生了对应于曲线B的模型．基于前面讨论的平滑曲线的某种“描述简单性”，我们满怀信心地期待算法￡。比￡6更好．确实，图1.4(a)显示出，与B相比，A与训练集外的样本更一致；换言之，A的泛化能力比B强．?