1. 偏差与方差的理解
在训练机器学习模型时,使用不同的训练集很可能会得到不同的估计模型,估计模型随着训练集的改变而变化的程度就叫做方差variance。我们训练得到的估计模型与实际真实模型的偏差即为bias,估计与实际差距越大,bias就越高。为了得到较低的误差,需要尽可能地降低方差和偏差,然而这两者不能同时减小,在bias与variance之间存在一个权衡trade-off。
低偏差的模型可以很好的适应训练数据,改变训练集会得到特别不同的模型,及低Bias的方法能够捕捉到训练集中的大部分差异,改变数据集时估计模型会变化很多,意味着该模型是高方差的(high variance)。模型的 bias 越低,它适应数据的能力就越强,同时 variance 也越高。所以,bias 越低,variance 越高。
反过来也说得通:bias 越高,variance 越低。一个高 variance 的模型构建的简单模型通常是不能很好适应数据集的。当我们改变数据集的时候,从高 bias 的算法得到的模型 f^ 通常不会有很大不同。如果我们改变训练集的时候 f^ 不会改变太多,那么 variance 就比较低,这恰好证明了我们的观点:bias 越高,variance 越低。
在实际中,我们需要接受一个 trade-off。我们不可能同时得到低 bias 和低 variance,所以我们期望得到某种中间结果。
2. 学习曲线