本文探讨了机器学习中偏差和方差的概念，偏差衡量预测值与真实值的差距，方差则反映预测值的离散程度。偏差大表示模型过于简单，方差大则表明模型对数据噪声敏感。在训练不足、适中和过度训练时，偏差与方差的影响有所不同。KNN、RF和GBDT等算法在增加参数时，偏差和方差的变化趋势各异，揭示了模型复杂性和泛化能力之间的平衡问题。
偏差（Bias）和方差（Variance）
偏差（Bias）：描述的是预测值（估计值）的期望与真实值之间的差距。偏差越大，越偏离真实数据。
方差（Variance）：描述的是预测值的变化范围，离散程度，也就是离其期望值的距离。方差越大，数据的分布越分散。
偏差：形容数据跟我们期望的中心差得有多远，算是“有监督的”，有人的知识参与指标；
方差：形容数据分散程度的，算是“无监督的”，
机器学习《Machine Learning》笔记--偏差（Bias）和方差（Variance）
最新推荐文章于 2025-05-30 23:54:13 发布
最低0.47元/天 解锁文章
扫一扫
709
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
