理解方差、偏差且其泛化误差的关系

https://blog.csdn.net/ChenVast/article/details/81385018

 

符号涵义测试样本数据集在数据集中的标记的真实标记训练集  学得的模型由训练集 学得的模型对 的预测输出模型 对的 期望预测 输出

 

方差

在一个训练集 D上模型 f对测试样本 x的预测输出为 f(x;D), 那么学习算法 f对测试样本 x的 期望预测 为:

上面的期望预测也就是针对 不同 数据集 D, f 对 x的预测值取其期望（平均预测）。

使用样本数相同的不同训练集产生的方差为:

 

偏差

期望预测与真实标记的误差称为偏差(bias), 为了方便起见, 我们直接取偏差的平方:

 

泛化误差

以回归任务为例, 学习算法的平方预测误差期望为:

对算法的期望泛化误差进行分解:

令噪声为零，，所以红色区域的等于零。

最后剩下 ,结果为泛化误差 = 偏差 + 方差 + 噪声

 

偏差、方差、噪声

偏差：度量了模型的期望预测和真实结果的偏离程度，刻画了模型本身的拟合能力。方差：度量了同样大小的训练集的变动所导致的学习性能的变化，即刻画了数据扰动所造成的影响。噪声：表达了当前任务上任何模型所能达到的期望泛化误差的下界，刻画了学习问题本身的难度。

图解偏差与方差

 

 低方差高方差低偏差数据点集中+数据点落在预测点上数据不集中+数据点部分落在预测点上（预测的准确率不高）高偏差数据点集中+数据点与预测点存在距离（预测不准）数据点不集中+数据点基本不落在预测点上（预测不准）

 

方差和偏差与拟合

拟合程度方差偏差原因解决办法欠拟合 过高训练不足，偏差主导泛化误差集成学习；加深加迭代；加特征；降低正则化；过拟合过高 训练过多，方差主导泛化误差降低模型复杂度；加正则惩罚项；加训练集；减特征；提高正则化

 

 

参考：

http://www.cnblogs.com/makefile/p/bias-var.html#fn2

版权声明：本文为博主原创文章，转载请在文章开头注明出处（作者+原文链接）。 https://blog.csdn.net/ChenVast/article/details/81385018

转载于:https://www.cnblogs.com/leebxo/p/11584969.html