这是我对这句话的理解。这是一种摇摆不定的论点，但仍然给出了一些直觉。让我们考虑一个简单的线性层：

...或等效地：

如果我们专注于一个重量$W_{i,j}$，它的值是通过观察两个变量来确定的$(x_j, y_i)$. 如果训练数据有$N$行，只有$N$对$(x_j, y_i)$， 其中有$W_{i,j}$将学习正确的值。这是很大的灵活性，作者在这句话中总结了这一点：

很好地拟合重量需要在各种条件下观察这两个变量。

换句话说，训练行数$N$必须非常大才能在没有正则化的情况下捕获正确的斜率。另一方面，$b_i$只影响$y_i$，这基本上意味着可以从相同数量的示例中更好地估计其值$N$. 作者是这样说的：

这意味着我们不会通过使偏差不规则化来引起过多的方差。

最后，我们希望对具有“更多自由”的权重进行正则化，这就是为什么正则化$W_{i,j}$比更有意义$b_i$.

在 ML 术语中，权重是真正回归变量的系数，而偏差是截距。此外，在回归语言交互中具有特定的含义，与引用的文本中使用的不同。

在您的文本中，变量如何交互意味着有一个函数可以转换输入$x$ 进入输出：

我不会过多关注这个论点。这对我来说太不稳定了。您需要了解的是，如果您设置所有权重$w=0$，该模型仍然会起作用，因为$b\ne 0$，它会导致您的图层仍然产生接近平均值的值。这不会是一个非常智能的预测，因为它不接受任何输入，但它会显示某种平均输出。如果你设置所有$w=b=0$这不会很好，因为它会一直产生零。