机器学习训练营——机器学习爱好者的自由交流空间(入群联系qq:2279055353)
每个估计量都有自己的优势和不足。估计量的泛化误差能被分解为偏差(bias), 方差(variance)和噪音(noise). 一个估计量的偏差是它对于不同训练集的平均误差。方差表示它对不同训练集的敏感程度。噪音是数据的属性。在下图里,我们看见函数 f(x)=cos(32πx)f(x)=\cos (\frac{3}{2}\pi x)f(x)=cos(
机器学习训练营——机器学习爱好者的自由交流空间(入群联系qq:2279055353)
每个估计量都有自己的优势和不足。估计量的泛化误差能被分解为偏差(bias), 方差(variance)和噪音(noise). 一个估计量的偏差是它对于不同训练集的平均误差。方差表示它对不同训练集的敏感程度。噪音是数据的属性。在下图里,我们看见函数 f(x)=cos(32πx)f(x)=\cos (\frac{3}{2}\pi x)f(x)=cos(