偏差与方差主要与两个因素有关：训练集误差（train set error）、验证集误差（dev set error）
接下来举例说明：
1、高方差（数据过拟合）：
假设训练集误差为1%（很小）、验证集误差为16%（较大），说明训练时数据过拟合，在某种程度上，验证集并没有充分利用交叉验证集的作用，所以验证时误差过大，这种情况称为高方差。
所谓过拟合就是训练时结果很好，但预测时结果不是很好的现象，产生过拟合的原因通常为以下几点：
- 模型的复杂度太高。比如：网络太深，
- 过多的变量（特征）
- 训练数据非常少。
高方差（数据过拟合）解决办法：
（1）增大数据集；
（2）降低模型复杂度；
（3）增大正则化系数λ；
（4）通过特征选择减少特征数（维数）。
2、高偏差（欠拟合）：
假设训练集误差为15%（较大），验证集误差为16%（较大，但相较于train set error是合理的），虽然训练集的误差就很大，但是验证集的误差相对训练集在合理范围内提升了一点，说明模型合理，但是数据欠拟合，这种情况称为高偏差。
[注]：此分析是假设预测的，如果最优误差很高为15%，则训练集误差为15%，验证集误差为16%的例子是较为理想的。
欠拟合一般是模型比较简单，不能准确的描述数据特征，因此盲目增大数据量是没用的，通常解决办法为：
（1）增加数据特征数；
（2）添加高次多项式特征；
（3）减少正则化系数λ。
3、高偏差、高方差：
假设训练集误差是15%，偏差相当高，但是，验证集的评估结果更糟糕，错误率达到30%，在这种情况下，这种算法偏差高，因为它在训练集上结果不理想，而且方差也很高，这是方差偏差都很糟糕的情况。
4、低偏差、低方差：
假设训练集误差是0.5%，验证集误差是1%，偏差和方差都很低，是为理想情况。
本文转自：博客园 - Hzzhbest，转载此文目的在于传递更多信息，版权归原作者所有。如不支持转载，请联系小编demi@eetrend.com删除。
