Bias-variance 分解是机器学习中一种重要的分析技术。
给定学习目标和训练集规模，它可以
把一种学习算法的期望误差分解为三个非负项的和，即本真噪音noise、bias和 variance
noise 本真噪音是任何学习算法在该学习目标上的期望误差的下界；
( 任何方法都克服不了的误差)
bias 度量了某种学习算法的平均估计结果所能逼近学习目标的程度；
（独立于训练样本的误差，刻画了匹配的准确性和质量：一个高的偏置意味着一个坏的匹配）
variance 则度量了在面对同样规模的不同训练集时，学习算法的估计结果发生变动的程度。(due to overly complex model)
（相关于观测样本的误差，刻画了一个学习算法的精确性和特定性：一个高的方差意味着一个弱的匹配）
