本文探讨了机器学习中的偏差-方差权衡问题，解释了偏差和方差的概念及其对模型泛化性能的影响。偏差衡量算法本身的拟合能力，方差则反映了数据波动对学习性能的影响。为了取得好的泛化性能，需要同时降低偏差和方差，以平衡模型的复杂度和训练数据的敏感度。文章引用了《机器学习》等资料，并通过图表直观展示偏差和方差的关系。
参考文献：
1. Understanding the Bias-Variance Tradeoff
2. 机器学习中的Bias(偏差)，Error(误差)，和Variance(方差)有什么区别和联系？
3.Bias–variance tradeoff
在西瓜书第八章<集成学习>中看到两句话：
- Boosting主要关注降低偏差
- Bagging主要关注降低方差
对于这两句话到底有什么含义？
首先WIKI百科中有这样一段话:
In statistics and machine learning, the bias–variance tradeoff (or dilemma) is the problem of simultaneously minimizing two sources of error that prevent supervised learning algorithms from generalizing beyond their training set:
最低0.47元/天 解锁文章
858
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
