原标题：【机器学习笔记】Machine Learning Fundamentals: Bias（偏差）、Variance（方差）、Overfit（过度拟合）

原文来自：CSDN      原文链接：http://www.xinhuanet.com/2019-09/09/c_1124976366.htm

假设有一群老鼠，我们测量，并在二维坐标系中记录它们的身高以及对应的体重，这些点似乎都在某一条曲线的附近，但我们并不知道准确的方程式，所以我们可以使用两种机器学习的方法来估算它们的关系（直线和波纹线）。

我们要做的第一件事情是将数据划分成两个部分，一部分用作训练机械学习的算法，另一部分用作测试。

我们要使用的第一种机器学习算法是线性回归（Linear Regression），也称作“最小二乘法”。

但无论我们怎样调整直线的角度，由于直线不能包含弧度，线性回归直线永远捕获不了 Height 与 Weight 的真正关系。

这种无法捕获的情况称为偏差（Bias）。

在训练模型中，比起直线，波浪线拥有更少的偏差。

而在测试模型中，比起直线，波浪线在每个点的落差平方和明显更大。

在机器学习中，数据集之间的拟合差异称为方差（Variance）。

总结一下：

直线只能帮助我们较好地预测，而不能很好地预测，但是它可以一直起作 用；

我们很难确认波浪线是否符合我们的需求，它有时候可能刚好拟合未来的数据集，但有时候也可能千差万别。

由于波浪线过度贴合训练模型，而不符合测试模型。

所以这种过度贴合的情况称为过度拟合（Overfit）。

免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。

合作及投稿邮箱：E-mail:editor@tusaishared.com