# Brak darmowego obiadu i założenia wstępne modelu

EN: **No free lunch theorem and inductive bias** · id `nofreelunch` · aliases: no free lunch, NFL theorem, inductive bias, obciążenie indukcyjne, twierdzenie o braku darmowego obiadu

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Fundamenty i rozumowanie](https://aiatlasgraph.com/t/foundations.md) › [Teoria uczenia statystycznego](https://aiatlasgraph.com/t/learningtheory.md) › Brak darmowego obiadu i założenia wstępne modelu

## Description

- PL: Wynik mówiący, że uśrednione po wszystkich możliwych problemach żaden algorytm uczenia nie przewyższa innych; sukces wymaga obciążenia indukcyjnego.
- EN: Result stating that, averaged over all possible problems, no learning algorithm beats another; success requires inductive bias.

## In one sentence

- PL: Twierdzenie, że nie istnieje jeden algorytm uczenia najlepszy do wszystkiego; każdy wygrywa dzięki założeniom pasującym do danego problemu.
- EN: The result that no single learning algorithm is best at everything; each wins thanks to assumptions that fit the problem.

## Problem it solves

- PL: Ludzie szukają uniwersalnie najlepszej metody i rozczarowują się, gdy model świetny w jednym zadaniu zawodzi w innym.
- EN: People look for a universally best method and are disappointed when a model great at one task fails at another.

## What it does

- PL: Przypomina dobór narzędzi: młotek jest świetny do gwoździ, a kiepski do śrub — siłę daje dopasowanie założeń do zadania.
- EN: Like choosing tools: a hammer is great for nails and poor for screws — strength comes from matching assumptions to the task.

## Everyday example

- PL: Model rozpoznający zdjęcia dobrze radzi sobie z obrazami, ale do przewidywania sprzedaży z tabeli lepiej sprawdza się prostsza metoda.
- EN: A model that recognises photos handles images well, but a simpler method works better for predicting sales from a table.

## This concerns you if you…

- PL: wybierasz metodę do nowego problemu
- PL: słyszysz, że jakiś model jest najlepszy do wszystkiego
- EN: choose a method for a new problem
- EN: hear that some model is best at everything

## Keywords

inductive bias · bias-complexity tradeoff · Wolpert · prior knowledge · regularization · Occam's razor · minimum description length

## How it works

- PL: Dla dowolnego algorytmu istnieje rozkład, na którym zawodzi, choć inny algorytm by sobie poradził. Uczenie jest więc możliwe tylko przy wiedzy wstępnej: ograniczeniu klasy hipotez, regularyzacji lub architekturze dopasowanej do struktury danych, np. splotach dla obrazów. Prowadzi to do kompromisu między obciążeniem a złożonością.
- EN: For any algorithm there is a distribution on which it fails while another algorithm succeeds. Learning is therefore possible only with prior knowledge: restricting the hypothesis class, regularisation or an architecture matched to data structure, such as convolutions for images. This leads to the bias-complexity trade-off.

## Limits

- PL: Twierdzenie dotyczy średniej po wszystkich problemach, a rzeczywiste dane mają strukturę, więc nie znaczy, że wszystkie metody są w praktyce równie dobre. Bywa nadużywane jako argument przeciw porównaniom.
- EN: The theorem concerns an average over all problems, while real data has structure, so it does not mean all methods are equally good in practice. It is sometimes misused as an argument against comparisons.

## Key terms

- PL: **obciążenie indukcyjne**: Założenia, które algorytm wnosi, zanim zobaczy dane.
- PL: **kompromis obciążenie–złożoność**: Prostsza klasa modeli mniej przeucza, ale może nie objąć prawdy.
- EN: **inductive bias**: Assumptions an algorithm brings before seeing data.
- EN: **bias-complexity trade-off**: A simpler model class overfits less but may miss the truth.

## Know first

- [Uczenie nadzorowane (Supervised learning)](https://aiatlasgraph.com/t/supervised.md)
- [Przeuczenie, niedouczenie i regularyzacja (Overfitting, underfitting and regularisation)](https://aiatlasgraph.com/t/biasvariance.md)

## Sources

- [Shalev-Shwartz & Ben-David · Understanding Machine Learning: From Theory to Algorithms](<https://www.cambridge.org/core/books/understanding-machine-learning/3059695661405D25673058E43C8BE2A6>) `shalev-bendavid-uml-2014` · by Shai Shalev-Shwartz, Shai Ben-David

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/nofreelunch · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30