四种机器学习曲线

一、方差、偏差与欠拟合、过拟合概念

        1.方差：描述模型对于给定值的输出稳定性.。（强调个体结果与个体期望的远近）

        2.偏差：描述模型输出结果的期望与样本真实结果的差距。（强调整体结果与期望的远近 ）

        3.欠拟合：模型不够复杂或者训练数据过少时，模型均无法捕捉训练数据的基本(或者内在)关                              系，会出现偏差。这样一来，模型一直会错误地预测数据，从而导致准确率降低。                            这种现象称之为模型欠拟合。

        4.过拟合：模型过于复杂或者没有足够的数据支持模型的训练时，模型含有训练集的特有信                              息，对训练集过于依赖，即模型会对训练集高度敏感，这种现象称之为模型过拟合。

         注：高方差->过拟合；高偏差->欠拟合

二、类比靶向图

偏差VS方差

左上角表示（低偏差，低方差），这是最理想的状况；

右上角表示（低偏差，高方差），低偏差导致预测结果与真实结果很近，高方差导致个体预测结果不稳定，比较不集中；

左下角表示（高偏差，低方差），高偏差导致预测结果与真实结果很远，低方差导致个体预测结果稳定，比较集中；

右下角表示（高偏差，高方差），高偏差导致预测结果与真实结果很远，高方差导致个体预测结果不稳定，比较不集中；

三、学习曲线

偏差VS方差

左上角是最优情况，随着样本的增加，train error虽然有一定的增加吗，但是 test error却有很明显的降低；

右上角是最差情况，train error很大，模型并没有从特征中学习到什么，导致test error非常大，模型几乎无法预测数据，需要去寻找数据本身和训练阶段的原因；

左下角是high variance的情况，train error虽然较低，但是模型产生了过拟合，缺乏泛化能力，导致test error很高；

右下角是high bias的情况，train error很高，这时需要去调整模型的参数，减小train error。