非正式地，当模型的方差太高时，它可能“太适合”数据。这意味着，对于不同的数据，学习算法找到的模型的参数会有所不同，或者换句话说，学习到的参数会有很大的差异，这取决于训练集。

你可以这样想：数据是从一些真实世界的概率分布中采样的，模型根据采样的数据学习参数。因此，给定数据的模型的学习参数存在一些条件概率分布。这种分布有一些差异，有时甚至很高。个模型进行平均时，就好像您已经从这个条件概率分布中采样了次。形成 PD个样本的平均值总是比来自同一分布的一个样本具有更小的方差。直观地看一下高斯 PD，平均值为 0， ，一个样本正好$N$$N$$N$$\sigma = 1$$0$均值和方差 . 但是如果你采样次并平均结果，操作结果的平均值仍然是，但方差是。$1$$N$$0$$\frac{1}{N}$

另请注意，这只是非常非正式的直觉，您最好从一些可靠的可靠来源阅读偏差/方差。我推荐统计学习要素二： http ://www-stat.stanford.edu/~tibs/ElemStatLearn/

你可以免费下载这本书，有一整章是关于偏差/方差分解的。