术语“偏差”在统计文献中有一个特定的定义（估计量的期望值与被估计的事物之间的差异），但这并不是说它失去了原来的、更普遍的含义。打算使用哪一个将取决于上下文，并且通常您会混合使用两者。

我会说第一种用法通常是不太精确的那种，因为数据插补是一种用于应用问题的方法，其中不需要假设参数的任何真实值甚至存在。在这里，它基本上是“缩小到零”的同义词。

就第二种用法而言，术语偏差 - 方差权衡最初源于偏差的更正式定义，但我仍然会说这更多地指的是模型拟合过程的一般“不灵活性”，而不是必然是一个估计的回归函数平均是否正确的问题。

我同意这个术语令人困惑。偏见在这两种情况下都有一个含义：与理想值或目标值的距离，但解释取决于我们所谈论的空间。我将解释我对您问题中的两个引号的含义。

通过使用均值插补，我们为我们的估计增加了偏差。

这是指数据空间中的偏差。均值插补会影响您的估计相对于目标值的位置。

选择模型时，偏差-方差权衡是一个重要的主题。

这是指模型参数空间中的偏差和方差。也就是说，如果你训练一个随机模型 1000 次，你可以观察到参数值的偏差或方差。高偏差模型具有一致的参数，但它们不同于“最佳”解决方案。每次训练时，高方差模型都会获得不同的参数值。