(done) 机器学习中的方差 variance 和 偏差 bias 怎么理解?

来源:https://blog.csdn.net/weixin_41479678/article/details/116230631


情况1属于:低 bias,高 variance (和 human performance 相近,但和 验证集dev set 相远)

通常意味着模型训练轮数太多

情况2属于:高 bias,低 variance (和 human performance 相远,但和 验证集dev set 相近)

通常意味着模型训练轮数太少

情况3属于:高 bias,高 variance (和 human performance 相远,但和 验证集dev set 相远)

情况3通常意味着,模型已经过拟合了,但还是达不到理想的效果,说明模型选的不合适,得换

情况4属于:低 bias,低 variance (和 human performance 相近,但和 验证集dev set 相近)

相关推荐
2601_949593653 分钟前
CANN加速人脸检测推理:多尺度特征金字塔与锚框优化
人工智能
小刘的大模型笔记5 分钟前
大模型LoRA微调全实战:普通电脑落地,附避坑手册
人工智能·电脑
乾元5 分钟前
身份与访问:行为生物识别(按键习惯、移动轨迹)的 AI 建模
运维·网络·人工智能·深度学习·安全·自动化·安全架构
happyprince5 分钟前
2026年02月07日全球AI前沿动态
人工智能
啊阿狸不会拉杆5 分钟前
《机器学习导论》第 7 章-聚类
数据结构·人工智能·python·算法·机器学习·数据挖掘·聚类
Java后端的Ai之路6 分钟前
【AI大模型开发】-AI 大模型原理深度解析与 API 实战(建议收藏!!!)
人工智能·ai·科普·ai大模型·llm大模型
禁默6 分钟前
从图像预处理到目标检测:Ops-CV 助力 CV 任务在昇腾 NPU 上高效运行
人工智能·目标检测·目标跟踪·cann
pp起床9 分钟前
Gen_AI 第四课 模型评估
人工智能
木非哲11 分钟前
机器学习--从“三个臭皮匠”到 XGBoost:揭秘 Boosting 算法的“填坑”艺术
算法·机器学习·boosting
zhangshuang-peta11 分钟前
人工智能代理团队在软件开发中的协同机制
人工智能·ai agent·mcp·peta