机器学习李宏毅第五讲 误差来源讨论

估计子的bias和variance

上一讲阐述了较为重要的是测试集的误差，该误差来源包括了bias和variance，并且更加复杂的模型并不一定会带来更低的误差。
对于实际的情况，存在一个最佳的预测函数，记为$\hat{f}$，此为理想情况；实际情况中，我们根据training data，可以得到一个预测函数，记为$f^{\ast}$，此时我们可以称$f^{\ast}$为$\hat{f}$的一个估计子（estimator），此时可以引入bias和variance的概念，即统计里面的概念，例如无偏估计量(unbias estamator)、方差等等 。
对于一系列的数据，可以通过数据 {