machine-learning - 偏差方差困境中的假设和不一致意味着什么?
问题描述
我正在阅读有关机器学习的内容并试图了解偏差和方差的含义。我已经阅读了这些文章(1、2、3),但仍有一些问题:
偏见:
模型有偏差,因为它假设数据将以某种方式(线性、二次等)表现,即使该假设可能不正确
“假设”是什么意思?我们选择我们想要使用的模型。如果我们选择一个线性模型,那么它将尝试拟合它可以做的最好的线。
方差:
方差衡量在不同训练集上彼此预测的不一致程度
如果我们使用不同的训练集,为什么它应该是一致的?如果我们使用猫的数据,它将给出一个预测。如果我们使用狗的数据,它会给我们不同的预测。或者他们是否意味着当我们向训练集添加更多观察时,预测应该会改进,而不是该模型现在给我们的预测与以前不同?
解决方案
推荐阅读
- python - xr.Dataset.from_dataframe() 使用 100% CPU 并且需要(无限期?)很长时间
- reactjs - 为什么我们需要 NextJS 中的 next-redux-wrapper?为什么要在服务器上使用 redux 存储?
- python - 当输入形状不同时,keras 中的迁移学习
- javascript - 如何用javascript隐藏类
- shell - Unix shell 脚本:日期格式语法
- android - Webview 谷歌登录不显示设备上的帐户
- google-apps-script - 如何将静态时间戳脚本 Google 工作表循环到所有工作表
- nginx - uwsgi 可以使用“真实”IP 运行吗?
- angular - 仅在首次登录时隐藏文本
- python-3.x - 如何定义给定函数的输入必须是类的变量(静态)