然而，奧卡姆剃刀并非唯一可行的原則．退一步說，即便假定我們是奧卡姆剃刀的鐵桿擁躉，也需注意到，奧卡姆剃刀本身存在不同的詮釋，使用奧卡姆剃刀原則并不平凡．例如對我們已經很熟悉的西瓜問題來說，“假設1：好瓜÷÷（色澤=木）八（根蒂=蜷縮）八（敲聲=濁響）”和假設2：“好瓜÷÷（色澤=術）^（根蒂=蜷縮）八（敲聲= *）”這兩個假設，哪一個更“簡單”呢？這個問題并不簡單，需借助其他機制才能解決．事實上，歸納偏好對應了學習算法本身所做出的關于“什么樣的模型更好”的假設，在具體的現實問題中，這個假設是否成立，即算法的歸納偏好是否與問題本身匹配，大多數時候直接決定了算法能否取得好的性能．讓我們再回頭看看圖1.3.假設學習算法如基于某種歸納偏好產生了對應于曲線A的模型，學習算法￡6基于另一種歸納偏好產生了對應于曲線B的模型．基于前面討論的平滑曲線的某種“描述簡單性”，我們滿懷信心地期待算法￡。比￡6更好．確實，圖1.4(a)顯示出，與B相比，A與訓練集外的樣本更一致；換言之，A的泛化能力比B強．?