误差引起有两个方面:Bias 和 Variance
Bias
为什么称为bias？
顾名思义，bias就是因为人的偏见而忽略了data中的模式，在training的过程中，一味重复地做同样的事情（其实就是因为bias导致无法透彻学习data），因此无法捕获数据中的全部特征。这种情况下，bias导致了模型复杂度不够。
特点：
- Bias越高，越容易欠拟合
- 在训练集中的loss较高，而测试精度还说的过去
原因：
特征选取不足，只使用了少量特征，在少量特征上产生了偏见（bias）
例子：
- 我们的分类任务是根据物体的形状和颜色进行分类识别，例如识别出彩蛋，但是我们的模型由于存在Bias，只能在颜色层面上进行识别（工作），那么我们的模型就会将“彩虹”识别为“彩蛋”，因为他们在色彩上很相似，都是五颜六色的。
２. 举一个连续数据的例子，比如我们的数据是由多项式产生的，而我们的模型却是一个线性模型，因此再给多少数据，我们的模型也不可能“挖掘”出数据中多项式关系，因为我们的模型存在线性的Bias
- 具体拿 KNN 算法来说明bias具体指什么。在KNN中在3个方面存在bias（或者说hyperthesis）：1）距离函数；2）平滑方式； 3） 特征选择。
3.1 距离函数的选取。需要确定合适的距离函数，不同的距离函数如欧式距离、曼哈顿距离，他们有自身的领域假设，在某些问题上很适用，在其他领域问题上就不是很适用。因此，该领域假设也被常称为“领域知识”（说白了就是bias :D，再直白一点就是超参选择、算法选择的问题）。PS:针对特定领域的问题，一定存在一个最优的距离函数！
3.2 平滑方式的选择 （一般采用average假设）。
3.3 特征选择。一般的KNN认为不同特征的重要程度是一致的
简而言之，Bias就是说我们的模型无能，复杂度不够，基础不牢固，在“根”上就无法进行建模，需要增加模型复杂度（换模型）
Variance
为什么称为Variance？
方差指的是对测试数据预测产生的方差？（Here variance is a measure of how much the predictions vary for any given test sample.）高的方差即模型过度关注训练数据，缺少了对测试数据的bias，而没有很好的泛化性能，对没见过的数据不能做出很好的预测。就是我们学习过程中无法“举一反三”，学知识学的太死板。
特点：
- Variance越高，越容易过拟合。
- 在训练集中的loss较低，而测试精度较差
原因：
- 特征选取太多
- 并且参数调节的过于细致，在训练集上表现太完美，遇到没见过的（测试数据）就嗝屁。
解决办法：
1.增加训练数据。
2.降低模型复杂度。
理想的模型
因此，同时减小bias和variance，达到二者的权衡，是一个理想的目标。
一个重要的途径，是如何选取有效的特征，这会极大影响 偏置-方差 困境。
维度诅咒
特征增加时，必须指数级别地增加训练数据，才能达到更好地泛化性能。
过拟合在不同模型中的体现
- 决策树发生过拟合往往是随着树的深度加深而产生，也就是模型结构发生了变化。
- DNN发生过拟合，往往是随着训练次数增多而发生。也就是说！-即便是模型结构不发生变化，也会产生过拟合，因为模型的权重发生了变化。
