本文探讨了误差的来源，主要分为偏差和方差两部分。偏差表示模型预测与真实值的误差，而方差则表示模型在不同数据集上的输出差异。文章通过分析偏差和方差的关系，解释了欠拟合和过拟合的概念，并提出了通过增加数据量、调整模型复杂度等方法来改善模型性能。此外，还介绍了交叉验证和N-折交叉验证作为评估和优化模型的重要手段。
Error的来源
Average ErrorAverage Error 随着模型复杂增加呈指数上升趋势。更复杂的模型并不能给测试集带来更好的效果，而这些 ErrorError 的主要有两个来源，分别是 bias 和 variance
然而 bias 和 variance是什么：
Error由bias和variance组成。Error反映的是整个模型的准确度，Bias反映的是模型在样本上的输出与真实值之间的误差，即模型本身的精准度，Variance反映的是模型每一次输出结果与模型输出期望之间的误差，即模型的稳定性。
我们训练一个模型的最终目的，是为了让这个模型在测试数据上拟合效果好，也就是Error(test)比较小，但在实际问题中，test data我们是拿不到的，也根本不知道test data的内在规律，所以我们通过什么策略来减小Error(test)呢？
分两步：
- 让Error(train)尽可能小
- 让Error(train)尽可能等于Error(test)
三段论，因为A小，而且A=B，这样B就小。
那么怎么让Error(train)尽可能小呢？
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
