Basic Concept

1.Error

Error 来源于bias（误差，期望歪了）和variance（方差，模型能覆盖的范围）。

bias大：underfitting欠拟合
原因：模型不够复杂，覆盖范围不够广
Variance大：overfitting过拟合
原因：模型太复杂，覆盖范围太大

2.Solution

Bias：

1. more feature input
2. more complex model

Variance

1. more data（最有效，但有时很难实现）
2. regularization（使函数变平滑）

数据不够时，可以自己造一些，如：

1. 手写识别：调整字的大小，倾斜字体
2. 声音识别：用变声器

3.模型选择

在bias和variance中做权衡，最终最小化总误差。
bias和variance的判断方法：符合training data是variance，不符合的是bias。

n折交叉验证

N-fold Cross Validation

然后选择最好的一个模型，用全部Training Set进行训练。

标签：机器,李宏毅,模型,学习,bias,Variance,Error,variance,data
来源： https://blog.csdn.net/Baigker/article/details/118682744