好吧，我无法表达足够多的关于偏差方差、过拟合和欠拟合的文章和问题。

但让我也试着用简单的话为你解释一下。

“偏见”作为一个词意味着 - 偏爱一件事胜过另一件事。就像我们听说亚马逊的 Alexa 不响应女性的声音/命令一样。所以偏向于男性。

现在，如果想要制作一个能够预测看不见的数据的模型，我根本不希望它有偏见，就像我不希望这个系统偏爱男性的声音而不是女性的声音一样。如果它有偏见，它本质上是给我一个错误。它对我的目标功能（在这里接受语音命令）做出了更多假设。

现在，由于它假设很多并且给了我一个错误，它相当欠拟合。但是实际上它不仅是高偏差，而且+低方差会导致拟合不足，但我暂时将方差放在一边。现在，高偏差和低方差可能有很多原因。我不会详细说明训练/测试规模的原因。

现在，如果我的模型能够在给定的测试数据上正确预测数据，这是一个好消息，这意味着没有错误，这意味着偏差更少。然而，它可能没有给我任何错误，因为它很好地学习了“训练”数据，捕捉了每一个场景/噪音。现在又是方差，这里有高方差，再加上低偏差会导致过度拟合。这意味着它能够很好地预测我给它训练的数据，但是如果我给它提供新数据，它将无法正确预测它，即泛化。

现在您可能还想了解方差。再次理解方差的简单字典含义——即“不同、分歧或不一致的事实或性质”。现在将这个定义与目标函数联系起来。

请注意，这是一个非常模糊的解释，您可以遵循，并且我建议您遵循该概念的标准定义。

现在有更好的解释 - https://machinelearningmastery.com/gentle-introduction-to-the-bias-variance-trade-off-in-machine-learning/ https://stats.stackexchange.com/questions/4284 /直觉解释偏差方差权衡

这是一篇好论文-

http://www.cems.uwe.ac.uk/~irjohnso/coursenotes/uqc832/tr-bias.pdf

最精确的可视化如下 -