评估模型性能中涉及的方差与偏差的概念与区别对比

一、基本概念上的对比解释
1、偏差Bias：反映的是预测值（估计值）的期望与实际真实值之间存在的差异。偏差数值越高，说明预测结果越远离真实数据，其研究对象为单一模型。
2、方差Variance：用于描述预测值在不同情况下的波动范围，体现其离散程度，即与期望值之间的偏离距离。当方差较大时，数据分布会更加分散，其研究对象为多个模型

在不考虑噪声干扰的前提下，泛化误差可以被划分为偏差和方差两个组成部分。
偏差：用于衡量学习算法所得到的预测结果期望与实际真实结果之间的偏离程度，也被称为模型的拟合能力。
方差：用于衡量相同规模的训练集在变化时对学习性能所产生的影响，即体现了数据扰动所带来的效应。

解释：
左上：低偏差，低方差。具体表现为预测结果具有较高的准确率，同时模型表现出较强的稳定性，预测结果高度集中。
右上：低偏差，高方差。具体表现为预测结果准确率较高，但模型稳定性较差，预测结果呈现较为分散的状态。

左下：高偏差，低方差。具体表现为预测结果准确率较低，但模型稳定性较好，预测结果较为集中。

右下：高偏差，高方差。具体表现为预测结果准确率较低，并且模型稳定性较差，