这完全取决于您想了解的有关偏差/方差的信息，但是Andrew Ng 的 CS229 Lecture Notes对这个问题进行了很好的理论描述。[编辑：更新链接]

一般来说，这种权衡是关于模型复杂性的——你试图估计多少参数，以及它们有多“自由/独立”。这可以使用学习理论来形式化，就像 Andrew 的笔记中一样，但是对于实际应用来说，一般的直觉可能就足够了。

回答您的具体示例：特征选择应该减少方差（因为我们最终会拟合更少的参数），希望不会过多地增加偏差（如果做得好）。我不确定您所说的“缩放”是什么意思，但这可能是一个实现级别的细节，与更抽象的偏差/方差问题不太相关。

我认为 Tal Yarkoni 和 Jacob Westfall 的文章选择预测胜于解释：机器学习的教训 Tal Yarkoni 和 Jacob Westfall 将为您提供一些关于偏差-方差权衡的见解：http: //jakewestfall.org/publications/Yarkoni_Westfall_choosing_prediction.pdf。

本书提供了一个很好且直观的解释。它在 ISLR 书中附带了更多代码和模拟。

作者使用仿真来展示 MSE 的分解，并以图形方式展示模型复杂度增加时的权衡