本文深入探讨了机器学习中常见的两个概念：Bias（偏差）和Variance（方差）。Bias通常表示模型过于简单，无法捕获数据的真实模式，即欠拟合现象；而Variance则反映了模型对训练数据的敏感度，模型过于复杂会过度拟合训练数据，导致对新数据预测效果不佳，即过拟合。理解这两个概念对于调整模型复杂度、提高预测准确性至关重要。
Bias是样本偏差，样本本身带来的误差，用样本建立的函数期望值与真实函数之间的误差，表示欠拟合，模型太简单就会导致bias过大；
Varince是方差误差，是函数不稳定带来的误差，方差过大，模型太复杂就会导致方差过大，也就是对样本可能拟合的很好，但对预测集拟合很差。
Bias是欠拟合，Variance是过拟合。
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
