【机器学习】如何理解vias和bias？

一、理解bias和vias
二、如何解决bias和vias大的问题
三、testing error的比较
四、training error和testing error的性质和各自的类比
五：结论：

一、理解bias和vias

Bias:准心（你的准心和靶心的距离）
Variance:准度（你的某次射击位置和准心的距离）

data的bias（数据的偏差）：可以理解为个体偏差，因为一次学习用到的数据少，每次学习用到的数据都不同，每次学习的结果都不同。
个体偶然，整体必然。

大数据偏差效应弱，小数据偏差效应强（大数据使得打靶范围缩小了，但仍在正确区域内）
用绝对的大数据所得到的结果，不会有variance
你可以这样理解上面那句话:你把所有的点都画在图上，不就能直接描绘出一条曲线了吗？这条曲线就是靶心，就是真理。（绝对的大数据使得打靶范围，变成了一个点）

简单的model：准心差 ，准度好
原因：
准心差：
（打靶角度理解）简单的model，发挥空间更小，也就是他的打靶范围小，样本再大，也只能找到在这个范围里最好的准心。
（不从打靶角度理解），model太简单，只能在简单model集合里找到最好的结果。

准度好：
（打靶角度理解