机器学习-bias and variance
0. Error(误差)、Bias(偏差)和Variance(方差)
模型性能度量
误差期望值
1. bias与 Variance区别
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；（一个高的偏差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分散程度。（一个高的方差意味着一个弱的匹配，数据比较分散）
Error = Bias + Variance
Error反映的是整个模型的准确度，Bias反映的是模型在样本上的输出与真实值之间的误差，即模型本身的精准度，
Variance反映的是模型每一次输出结果与模型输出期望（平均值）之间的误差，即模型的稳定性，数据是否集中。
2. 解决bias和Variance问题的方法：
2.1 在训练数据上面，我们可以进行交叉验证(Cross-Validation)。
一种方法叫做K-fold Cross Validation (K折交叉验证), K折交叉验证，初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练。交叉验证重复K次，每个子样本验证一次，平均K次的结果或者使用其它结合方式，最终得到一个单一估测。
- 当K值大的时候，我们会有更少的Bias(偏差), 更多的Variance。
- 当K值小的时候，我们会有更多的Bias(偏差), 更少的Variance。
3. Boosting or Bagging
Boosting通过样本变权全部参与，故Boosting 主要是降低 bias（同时也有降低 variance 的作用，但以降低 bias为主）；
而 Bagging 通过样本随机抽样部分参与（单个学习器训练），故bagging主要是降低 variance。
