目录
Error的来源
从上节课测试集数据来看，Average Error 随着模型复杂增加呈指数上升趋势。更复杂的模型并不能给测试集带来更好的效果，而这些 ErrorError 的主要有两个来源，分别是 bias 和 variance 。
估测
估测变量x的偏差和方差
评估x的偏差
评估平均值要怎么做呢？
但是如果计算很多组的 m ，然后求 m 的期望：
这个估计是无偏估计（unbiased）。
然后 mm 分布对于 \muμ 的离散程度（方差）：
这个取决于 N，下图看出 N 越小越离散：
估测变量x的方差
如何估算方差呢？
为什么会有很多的模型?
讨论系列02中的案例：这里假设是在平行宇宙中，抓了不同的神奇宝贝
用同一个model，在不同的训练集中找到的 f^∗f∗ 就是不一样的
这就像在靶心上射击，进行了很多组（一组多次）。现在需要知道它的散布是怎样的，将100个宇宙中的model画出来
不同的数据集之前什么都有可能发生
考虑不同模型的方差
一次模型的方差就比较小的，也就是是比较集中，离散程度较小。而5次模型的方差就比较大，同理散布比较广，离散程度较大。
所以用比较简单的模型，方差是比较小的（就像射击的时候每次的时候，每次射击的设置都集中在一个比较小的区域内）。如果用了复杂的模型，方差就很大，散布比较开。
这也是因为简单的模型受到不同训练集的影响是比较小的。
考虑不同模型的偏差
这里没办法知道真正的 \hat{f}，所以假设图中的那条黑色曲线为真正的 \hat{f}
结果可视化，一次平均的 \bar{f} 没有5次的好，虽然5次的整体结果离散程度很高。
一次模型的偏差比较大，而复杂的5次模型，偏差就比较小。
直观的解释：简单的模型函数集的space比较小，所以可能space里面就没有包含靶心，肯定射不中。而复杂的模型函数集的space比较大，可能就包含的靶心，只是没
有办法找到确切的靶心在哪，但足够多的，就可能得到真正的 f¯f¯。
偏差v.s.方差
将系列02中的误差拆分为偏差和方差。简单模型（左边）是偏差比较大造成的误差，这种情况叫做欠拟合，而复杂模型（右边）是方差过大造成的误差，这种情况叫做过拟合。
怎么判断？
分析
如果模型没有很好的训练训练集，就是偏差过大，也就是欠拟合 如果模型很好的训练训练集，即再训练集上得到很小的错误，但在测试集上得到大的错误，这意味着模型可能是方差比较大，就是过拟合。 对于欠拟合和过拟合，是用不同的方式来处理的
偏差大-欠拟合
此时应该重新设计模型。因为之前的函数集里面可能根本没有包含f^*。可以：
将更多的函数加进去，比如考虑高度重量，或者HP值等等。 或者考虑更多次幂、更复杂的模型。 如果此时强行再收集更多的data去训练，这是没有什么帮助的，因为设计的函数集本身就不好，再找更多的训练集也不会更好。
方差大-过拟合
简单粗暴的方法：更多的数据
但是很多时候不一定能做到收集更多的data。可以针对对问题的理解对数据集做调整。比如识别手写数字的时候，偏转角度的数据集不够，那就将正常的数据集左转15度，右转15度，类似这样的处理。
模型选择
现在在偏差和方差之间就需要一个权衡 想选择的模型，可以平衡偏差和方差产生的错误，使得总错误最小 但是下面这件事最好不要做：
用训练集训练不同的模型，然后在测试集上比较错误，模型3的错误比较小，就认为模型3好。但实际上这只是你手上的测试集，真正完整的测试集并没有。比如在已有的测试集上错误是0.5，但有条件收集到更多的测试集后通常得到的错误都是大于0.5的。
交叉验证
图中public的测试集是已有的，private是没有的，不知道的。交叉验证 就是将训练集再分为两部分，一部分作为训练集，一部分作为验证集。用训练集训练模型，然后再验证集上比较，确实出最好的模型之后（比如模型3），再用全部的训练集训练模型3，然后再用public的测试集进行测试，此时一般得到的错误都是大一些的。不过此时会比较想再回去调一下参数，调整模型，让在public的测试集上更好，但不太推荐这样。（心里难受啊，大学数模的时候就回去调，来回痛苦折腾）
上述方法可能会担心将训练集拆分的时候分的效果比较差怎么办，可以用下面的方法。
N-折交叉验证
将训练集分成N份，比如分成3份。
比如在三份中训练结果Average错误是模型1最好，再用全部训练集训练模型1。
2921
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
