Error的影响因素

继续上一篇文章，我们可以看到，构造的最好的函数还是会产生误差，那么这些误差受什么影响呢？【bias和variance】

方差越小越集中，所以当n越大时，方差越小，则数据越集中

均值时无偏估计，方差是有偏估计

下图是对方差的估计

假如使用 y=b+w*Xcp 这个模型 。给的数据不一样找到的最好的函数也不一样（w,b的值不同）

下图是100次实验，选择不同的模型会有不同的图像结果

Variance

模型越简单，方差就会越小。模型越复杂，方差就会越大。简单的模型受到数据的影响较小。

 Bias

1.黑色的是原有的值

2.红色的是100次实验得到的不同的函数图像

3. 蓝色的是100条红线的平均值

函数越简单，函数space越小，那么我们选取的函数只能在那个函数集中选择，那么离中心点就会比较远。函数越复杂 函数space越大，点就会很分散，那么我们取得平均值就会离中心点较近。

 

 怎么解决bias大和variance大

 

解决variance大应该减少训练数据的种类或者使用正则化减少模型的复杂度

 模型选择