偏差与方差：模型误差的两副面孔

偏差是模型本身的系统性误差（如用直线拟合曲线），方差是模型对训练数据波动的敏感程度。二者像跷跷板，降低一个往往抬高另一个，找到平衡点是建模的核心艺术。

偏差与方差的权衡在生活中也随处可见：做决策时太固执（高偏差）会错过新信息，太随波逐流（高方差）又没有定见。好的判断者，既要有坚定的内核，又要对证据保持敏感。

## 核心要点

图片来源：Openverse / brewbooks（https://www.flickr.com/photos/93452909@N00/2302808230）

1. 高偏差意味着模型太简单（欠拟合），高方差意味着太复杂（过拟合）。

2. 集成学习（如随机森林）能有效降低方差。

3. 增加模型容量能降低偏差，但方差会同步上升。

4. 理想模型在偏差与方差之间取得整体最小误差。

图片来源：Openverse / Dean Meyers（https://www.flickr.com/photos/36363318@N04/15359843282）

## 写在最后

以上是关于「偏差与方差」的科普介绍。人工智能正在快速发展，相关概念和方法也在不断演进。希望本文能帮你建立对这一主题的基本认识。