是的，这个概念适用，但并没有真正正式化。将无监督学习视为密度估计的一种形式或密度的一种统计估计。

方差：您将从该概率分布中选择的有限数据样本进行训练并获得一个模型，但如果您从该分布中选择一个不同的随机样本，您将获得一个略有不同的无监督模型。这种由特定数据样本的选择过程引起的变化就是方差。

偏见：根据监督学习中使用的误差度量，这有点模糊。无监督学习算法具有控制模型“拟合”数据的灵活性的参数。例如，k 表示聚类，您可以控制聚类的数量。简单的例子是 k 表示 k=1 的聚类。您可以想象一个分布，其中有两个相距很远的数据“块”。平均值将落在没有数据的中间。该模型偏向于假设某个分布。对于更高的 k 值，您可以想象具有 k+1 个簇的其他分布，这些分布会导致簇中心落在低密度区域。对于较低的参数值，您还希望获得相同的模型，即使对于非常不同的密度分布也是如此。这也是一种偏见。

您可以看到，因为无监督模型通常没有直接由错误度量指定的目标，所以这个概念没有那么形式化并且更具概念性。