机器学习中的偏差和方差

在机器学习中，偏差和方差是两个重要的概念，用于描述模型的泛化性能和预测误差。理解这两个概念对于优化和调整机器学习模型至关重要。本文将详细介绍偏差和方差，并提供相应的源代码示例。

1. 偏差（Bias）
   偏差指的是模型在训练集上的预测结果与真实值之间的差异。简而言之，偏差衡量了模型对问题的假设或拟合函数的错误性质。高偏差意味着模型对训练集的拟合性较差，很可能无法捕捉到数据中的复杂关系。高偏差模型往往会导致欠拟合问题。

为了更好地理解偏差，我们以线性回归为例。假设我们有一个简单的线性回归模型，公式为 y = ax + b，其中 a 和 b 是模型的参数。如果实际的数据生成过程是非线性的，那么这个线性模型就会存在较大的偏差，无法很好地拟合数据。下面是一个简单的 Python 代码示例：

import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed