No Free Lunch定理，簡稱NFL定理，是機器學習領域中的一個重要原則。這個定理的核心觀點是，如果沒有對數據在特徵空間的先驗分布做出假設，那麼任何預測函式在一些訓練樣本上的表現好，必然意味著在另一些訓練樣本上表現不好。這意味著不存在一個在所有問題上都表現得最好的機器學習算法。
通俗來說，NFL定理指出，每種問題出現的機率是均等的，每個模型用於解決所有問題時，其平均意義上的性能是一樣的。這意味著，對於一個特定的模型，它必然在某些問題上誤差較小，而在其他一些問題上誤差較大。同樣地，對於特定的一個問題，也有某些模型能夠更準確地解決它，而其他模型的表現則相對較差。
NFL定理強調了機器學習的目標不應該是尋找放之四海而皆準的通用模型，而是應該專注於創建針對特定問題的有效解決方案。