Where does the error come from

//李宏毅视频官网：http://speech.ee.ntu.edu.tw/~tlkagk/courses.html                                                    点击此处返回总目录 //邱锡鹏《神经网络与深度学习》官网：https://nndl.github.io     我们上一次讲到，使用不同的model，在testing data上会得到不同的error。而且越复杂的model不一定会得到越低的error。                                                今天我们要讨论的问题是，error来自什么地方。 其实error有两个来源，一个是"bias"，一个是“variance”。了解error的来源是重要的，因为你常常做一下machine learning，做完就得到一个error，接下来你要怎么improve你的model呢。如果没有什么方向，毫无头绪的乱做，你就没有效率。如果你可以诊断你的error的来源，你就可以挑选适当的方法来improve你的model。   ------------------------------------------------------------------------------------------------------------------------------- 上一节的时候，我们要预测宝可梦进化后的CP值，也就说要找一个function，这个function input一只宝可梦，output就是进化后的CP值。这个function理论上有一个最佳的function，我们写成f^。但是这个理论上最佳的function我们是不知道的，只有Niantic是知道的，Niantic就是做宝可梦的公司。f^是我们不知道的，我们能做的事情就是，实际去抓一些宝可梦，根据training data，去学到的最好的function，f*。f*并不会真的等于f^,因为并不知道f^是什么样子，f*可能不等于f^。f*就好像是f^的估测值一样。                                    就想成，是在打靶。f^是靶的中心，收集到一些data，做training以后，你找到一个你觉得最好的function f*，这个f*不等于f^，它是在靶纸上的另外一个位置。这个f*与f^中间有一段距离，这个距离呢，来自于两件事：它可能来自于bias，也可能来自于variance。   ------------------------------------------------------------------------------------------------------------------------------- 在讲下一页之前，本人回顾一下概率论的内容，主要是矩估计的知识点。                                     下面给出证明：                                   ------------------------------------------------------------------------------------------------------------------------------- bias和variance是什么呢？我们先举一个概率里面的例子，概率与统计学过。 假设有一个变量x,想要估计它的mean，怎么做呢？假设x的mean是，variance是。                               第一，要估测怎么做呢？首先sample N个点，再把这N个点算平均值，得到m。                               N个点算平均值m会跟一样么？其实不会。 假设红点为的value，现在做一次sample，算出来的m可能不会跟一样。再做一次实验m2,不一样。m3,m4,m5,m6可能都不一样，可能没有办法算出来的m exactly等于。                                                            但是，如果今天把m的期望值算出来的话：                                 得到的值就是。每一个m虽然都不一定跟exactly一样，但是如果找很多m，他们的期望值呢会正好等于。所以用m来estimate