机器学习中偏差和方差的区别

        今天在看L1和L2正则的相关知识时，看到这样一段话：

        L2与L1的区别在于，L1正则是拉普拉斯先验，而L2正则则是高斯先验。它们都是服从均值为0，协方差为1λ。当λ=0时，即没有先验）没有正则项，则相当于先验分布具有无穷大的协方差，那么这个先验约束则会非常弱，模型为了拟合所有的训练集数据， 参数w可以变得任意大从而使得模型不稳定，即方差大而偏差小。λ越大，标明先验分布协方差越小，偏差越大，模型越稳定。即，加入正则项是在偏差bias与方差variance之间做平衡tradeoff。

        让我很困惑的是为什么参数w任意大时模型不稳定会出现方差大偏差小的情况，那么方差和偏差作为两种度量方式有什么区别呢？

        首先看了下百度百科中偏差的解释为：偏差又称为表观误差，是指个别测定值与测定的平均值之差。感觉这个解释并不太应用于机器学习中，那么这句话在机器学习中的意思应该是预测值与真实值之间的距离。

        在知乎上看到了几种解释，还是比较有助于自己理解的：

         1、偏差：