Im maschinellen Lernen heißt das: Irgendjemand muss sich die Mühe machen, den richtigen Algorithmus für das gegebene Problem zu finden oder zu entwickeln. Es gibt nicht einen Algorithmus, der immer mehr kann als andere Algorithmen. Diese Aussage wurde bereits 1996 von dem amerikanischen Mathematiker und Informatiker David Wolpert in Bezug auf das maschinelle Lernen bewiesen.

Dementsprechend gibt es aber auch nicht den perfekten Lernalgorithmus, der immer am besten funktioniert. Auch die viel bejubelten neuronalen Netze (siehe Kap. 20) sind nicht immer die Lösung aller Probleme. Jedes einzelne Lernproblem muss separat gelöst werden und für jedes Problem gibt es Algorithmen, die manchmal besser und manchmal schlechter funktionieren – eben No Free Lunch.

Was bedeutet dies jetzt für Anwender des maschinellen Lernens? In der Realität ist es oft so, dass man nicht nur einen Algorithmus ausprobiert, sondern mehrere! Eine erfahrene Maschinelles-Lernen-Spezialistin hat dennoch oft eine gute Idee davon, welcher Algorithmus gut funktionieren könnte, da sich einige Algorithmen gut für einige Probleme eignen (z. B. Faltungsnetze in der Bilderkennung). Oft ist es aber so, dass man erst mal ein wenig rumprobieren muss, bis man einen Algorithmus gefunden hat, der ein wenig besser funktioniert als die anderen. Beim überwachten Lernen ist es einfach zu entscheiden, welcher Algorithmus gute Ergebnisse liefert. Beim unüberwachten Lernen ist dies schwieriger, da man ja keine „richtigen“ Lösungen hat, sondern erst mal ein wenig interpretieren muss.