本文共 570 字，大约阅读时间需要 1 分钟。

在监督学习中权衡偏差-方差(bias–variance)对于防止过拟合是重要的问题，理想情况下，我们想要选取一个模型，这个模型即能精确的捕获到训练数据的规律性，同时也能推演到未知的数据。不幸的是，不可能同时满足这2个条件。具有高方差的学习模型可能很好的表示训练集，但是有过拟合的风险，因为训练数据可能有噪声或者不具有代表性。相反的，带有高偏差的模型产生简单的模型，不会有过拟合(overfit)现象，但是可能在训练集上欠拟合(underfit)，失败的捕获重要的规律。

带有低偏差的模型通常更复杂，能更精确的代表训练集，但是在测试集上正确率不高。相反的，带有高偏差的模型相对简单些。

我们有一个包含$x1,x2,...,xn$训练集，每个$xi$对应一个$yi$，我们假设有个函数并带有噪声$yi=f(xi)+e$，e是一个均值为0。

来自wikipedia：

如果你的模型有很高的偏差，那么试着增加更多的特征。

如果你的模型有很高的方差，那么你能删除一些特征。另外一个解决方案是获取更多的数据(如果可以的话)。

保持模型复杂度常量，越多的数据，越难过拟合。

另外一个方面，越多的数据不会帮助我们(bias)，如果你的模型不使用足够的特征获取数据的规律，那么再多的数据也帮不了你。