偏差-方差权衡的理解

1、概念：

Bias：描述的是预测值与真实值之间的差距。用来衡量模型对特定样本实例预测的一致性（或说变化）。

Variance：描述的是预测值的变化范围，离散程度，也就是离其真实值的距离。用来从总体上衡量预测值与实际值之间的差异。

对于一个非线性分类问题而言（如XOR），简单的线性分类器（无维度空间映射）由于自身特性并不能较好地进行类别划分，model会出现较大的偏差；而决策树模型作为非线性分类器，能较好的拟合训练样本，偏差值较小，但若模型过于拟合训练样本，测试样本出现了训练样本考虑不周的情况，则容易出现预测误差，即方差值较高。对于一个model而言，泛化误差越小越好，可以通过一些方法来减小上述的偏差和方差。例如，常见的random forest通过采样和融合多棵决策树来减小泛化误差。

2、例子：

想象你开