本文主要是介绍机器学习中的Bias（偏差）和Variance（方差），对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

1.偏差

简单可以理解为真实数据和预测数据相差太大，真实的点构成的图形和拟合的图形相差很大

原来是这样的

 我们使用线性模型以及多项式模型去拟合，就会发现，线性模型和预测的值和真实值相差很大，也就是偏差大，而多项式偏差小

2.方差

就是数据波动太大。

数据集是有随机性的，除了上一节使用的数据集外，我们还可能得到如右侧这样新的数据集

 在新的数据集上当然也可以运用线性回归，或者多项式回归：

 可见，较简单的线性回归变化不大，也就是说“方差”较小。而多项式回归对数据太敏感，变化太大，也就是说“方差”较大。

3.过拟合和欠拟合

 文章转载：https://www.zhihu.com/question/27068705/answer/1689740820，仅做学习，如有侵权，联系删

这篇关于机器学习中的Bias（偏差）和Variance（方差）的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！