1. 误差的来源

误差（error）= 偏差（bias） + 方差（variable）

方差（variable）：$s^{2}=\frac{1}{N} \sum_{n}\left(x^{n}-m\right)^{2}$s2=N1​∑n​(xn−m)2
一般来说，模型越复杂，方差越大

偏差（bias）：$E\left[f^{*}\right]=\overline{f}$E[f∗]=f​
一般来说，简单的模型偏差较大，复杂的模型偏差较小

回想之前的例子，模型一步步变复杂的过程中，偏差一直在下降，方差一直在增加。模型也从原来的欠拟合（underfitting）变成过拟合（overfitting）。

2. 解决办法

当模型不能很好地拟合训练数据的时候，则模型有较大偏差，此时很可能发生的是欠拟合。解决办法：

1. 增加更多的特征
2. 使用更复杂的模型

如果模型可以很好的拟合训练数据，但是在测试数据上有很大误差，那么很可能就有较大方差，此时的情况未过拟合。解决办法：

1. 收集更多的数据
2. 使用正则化

3. 常用的选择模型的做法

注意：千万不要用测试集上的效果做决策，否则模型在新数据上的效果会比测试集上的效果更差
建议：将训练集划分成训练集和验证集，再使用交叉验证