假设你有一个倾斜的类（它是线性不可分的，否则预测肯定总是正确的），如下所示：

图片来源：从不平衡的课程中学习

现在您可以清楚地看到，如果您将边界向下移动，您将误分类的蓝点多于红点。而且我们知道 ML 算法的成本函数粗略地试图减少错误分类（通过将其转换为实值损失优化问题，而不是离散错误分类减少）。

将其视为民主，每个单独的点都告诉分类器要做什么。分类器将始终听取多数意见。在这种情况下，如果向下移动，分类器将错误分类更多的蓝点而不是红点。所以偏差设置为高，所以线向上移动。

从数学上讲：一个分类器总是会尽量减少它的损失函数，这大致对应于做出正确的分类（做出正确的分类是离散的，优化损失不是）。因此，它将这样定位边界，以使错误数量最少，而不管类类型。一般来说，如果一个类在数据集中有更多的点，那么与具有较少点的类相比，分类边界将倾向于对该类进行更多的错误分类。因此，优化具有较高点的类成为分类器的优先级，并相应地设置其偏差。