这是在谈论机器学习算法在“记忆”数据方面的能力。决策树，就其本质而言，往往很容易过拟合，这是因为它们可以沿着非常非线性的曲线分隔空间，特别是如果你得到一棵非常深的树。另一方面，更简单的算法倾向于沿着线性超曲面分离空间，因此倾向于欠拟合数据并且可能无法给出很好的预测，但可能在与训练非常不同的新的看不见的数据上表现更好数据。

一个算法的偏差和方差可以被认为是它的属性，这可以用我们称之为超参数的东西来调整，但是每个算法都有它自己的一组假设，如果这些假设得到满足，算法的性能会更好。

一些算法，如逻辑回归、线性支持向量机（不是内核支持向量机，因为它们也可以用于非线性问题）等是线性模型，如果数据是线性可分的，则效果很好。如果数据不能被一个线性平面隔开，那么无论你怎么微调和微调都行不通，因为数据根本不能被一个线性平面隔开，这就是大家的偏见谈论这些类型的算法。

另一方面，决策树可以将整个空间分成几个超立方体，并根据数据点所在的超立方体对该数据点进行分类。另一方面，KNN 使用数据点的邻居及其类型/属性进行预测。因此，这些数据点位置的变化将在很大程度上影响这两种算法的决策边界，这就是为什么它们很容易过度拟合并具有高方差的原因。

希望这可以帮助。