我在学习机器学习，遇到过偏差和方差的概念。我是一名大学生，在教授的幻灯片中，偏见被定义为：
在哪里是假设和是样本误差和是真正的错误。特别是，当训练集和测试集不独立时，它表示我们有偏见。
读完这篇文章后，我试图更深入地了解这个概念，所以我在网上搜索并找到了这个视频，它将偏见定义为机器学习妈妈无法捕捉到真正的关系。
我不明白，这两个定义是相等的还是两种类型的偏见不同？
与此一起，我也在研究方差的概念，在我教授的幻灯片中，据说如果我从样本中考虑两个不同的样本，即使模型是无偏的，误差也可能会有所不同，但在视频中我发布了它表示方差是训练集和测试集之间的拟合差异。
同样在这种情况下，定义不同，为什么？
让我们从一些基本定义开始：
他们可以从这张图片中理解：
（来源）
如果你的模型存在偏差问题，你应该增加它的能力。例如，如果您的神经网络的预测不够好，请添加更多参数，添加新层使其更深，等等。
如果您的模型遇到方差问题，那么最好的解决方案来自集成。机器学习模型的集成可以显着减少预测的方差。
如果您的模型欠拟合，则说明存在偏差问题，您应该使其更强大。一旦你让它变得更强大，它可能会开始过度拟合，这是一种与高方差相关的现象。出于这个原因，您必须始终在消除机器学习模型的偏差和方差之间找到正确的权衡。
（来源）
学习如何做到这一点更像是一门艺术而不是一门科学！
我在下面附上一个计算的屏幕截图，以解释Wikipedia中的方差定义。
从 5 个不同的训练数据集创建 5 个模型（类似于但不完全是 5 折交叉验证）。那就是从不同的训练数据集中准备 5 个模型。为每个模型提供相同的测试数据。我们的测试数据有两个观察结果。以下是预测和方差计算的结果。方差范围为 26.8
这张图片说明了一切：在 ML 中，您有一个偏差/方差困境：您想要创建一个足够精确的模型来从您的数据中学习东西，但不是完全精确，因此它学习的是趋势而不是精确的训练集的值。
方差和偏差要一起考虑：在同一个模型上，当您调整以降低方差时，您将自动增加偏差。
然后，您的工作是获得良好的折衷，如图所示：方差足够高（即偏差足够低）以做出良好的预测并从您的训练中学习一些东西，但方差不能太高（即偏差不能太低） ) 以避免过度拟合。
