标签：线性回归 img 算法 目录 idt 图片 调整 info 没有
模型误差 = 偏差(Bias) + 方差(Variance) + 不可避免的误差
偏差方差权衡
Bias Variance Trade off
导致偏差的主要原因：对问题本身的假设不正确!
如：非线性数据 使用线性回归
欠拟合
数据的一点点扰动都会较大地影响模型。模型没有完全的学习到问题的实质，而学习到了很多噪音。
通常原因：使用的模型太复杂。
如：高阶多项式回归。
过拟合。
有一些算法天生是高方差的算法。如kNN。
非参数学习通常都是高方差算法。因为不对数据进行任何假设
有一些算法天生是高偏差算法。如线性回归。
参数学习通常都是高偏差算法。因为堆数据具有极强的假设。
大多数算法具有相应的参数，可以调整偏差和方差;
如kNN中的k，线性回归中使用多项式回归。
偏差和方差通常是矛盾的。
在算法层面，机器学习的主要挑战，来自于方差。解决高方差的通常手段:
标签：线性回归 img 算法 目录 idt 图片 调整 info 没有
原文地址：https://www.cnblogs.com/fldev/p/14370758.html
