过拟合 VS 欠拟合 偏差 VS 方差

1. 过拟合 欠拟合

过拟合：在训练集（training set）上表现好，但是在测试集上效果差，也就是说在已知的数据集合中非常好，但是在添加一些新的数据进来训练效果就会差很多，造成这样的原因是考虑影响因素太多，超出自变量的维度过于多了；

欠拟合：模型拟合不够，在训练集（training set）上表现效果差，没有充分的利用数据，预测的准确度低；

高阶多项式回归的过拟合与欠拟合

逻辑回归的过拟合与欠拟合

2. 偏差 方差

偏差：首先error=bias+variance；bias反映的是模型在样本上的输出与真实值之间的误差，即模型本身的精确度；

方差：Variance反映的是模型每一次输出结果与模型输出期望之间的误差，即模型的稳定性；

• 低偏差低方差时，是我们所追求的效果，此时预测值正中靶心(最接近真实值)，且比较集中(方差小)。
• 低偏差高方差时，预测值基本落在真实值周围，但很分散，此时方差较大，说明模型的稳定性不够好。
• 高偏差低方差时，预测值与真实值有较大距离，但此时值很集中，方差小；模型的稳定性较好，但预测准确率不高，处于"一如既往地预测不准"的状态。
• 高偏差高方差时，是我们最不想看到的结果，此时模型不仅预测不准确，而且还不稳定，每次预测的值都差别比较大。

过拟合 VS 欠拟合 偏差 VS 方差

原文：https://www.cnblogs.com/nxf-rabbit75/p/10583260.html