泛化挑战：从输入空间 \(\mathcal X\) 与输出空间 \(\mathcal Y\) 的联合分布中，仅能有限采样得到训练数据集 \(\mathcal D_{\text{train}} = \{(x_i, y_i)\}_{i=1}^n\) ，目的是寻找真实映射函数 \(f^*:\mathcal{X} \to \mathcal{Y}\) ，利用归纳偏置构建一个模型 \(h \in \mathcal H\) 在未见数据集上尽可能逼近 \(f^*\) 。

归纳偏置：机器学习算法主动偏好某一类函数（先验经验——对“何种函数更可能是真实规律”的结构性假设）来约束假设空间 \(\mathcal{H}\)，从无穷多拟合好训练数据集的函数空间中，选出一个具有良好泛化能力的解

没有归纳偏置，就没有泛化