variance and bias
一、概念定义
偏差（bias）：偏差衡量了模型的预测值与实际值之间的偏离关系。通常在深度学习中，我们每一次训练迭代出来的新模型，都会拿训练数据进行预测，偏差就反应在预测值与实际值匹配度上，比如通常在keras运行中看到的准确度为96%，则说明是低偏差；反之，如果准确度只有70%，则说明是高偏差。
方差（variance）：方差描述的是训练数据在不同迭代阶段的训练模型中，预测值的变化波动情况（或称之为离散情况）。从数学角度看，可以理解为每个预测值与预测均值差的平方和的再求平均数。通常在深度学习训练中，初始阶段模型复杂度不高，为低方差；随着训练量加大，模型逐步拟合训练数据，复杂度开始变高，此时方差会逐渐变高。
二、数学定义
我们从简单的回归模型来入手，对于训练数据集S = {(xi , yi)}，令yi = f(xi) + ε，假设为实际方程，其中ε是满足正态分布均值为0，标准差为σ的值。
我们再假设预测方程为h(x) = wx + b，这时我们希望总误差Err(x) = ∑i[yi - h(xi)]2 能达到最小值。给定某集合样本（x, y），我们可以展开误差公式，以生成用方差、偏差和噪音组合的方式。
在此之前，我们来引入一个辅助公式，令z为满足正态分布的随机值集合，再令z = E(z)，即z 为z的平均值。
则E [(z - z)2] = E [z2 -2zz + z2]
= E [z2] - 2E [z]z + z2 注：E[z] = z，因为z是一个均值，其误差即是自己
= E [z2] - 2zz+z2
= E [z2] -z2
可以得到一个辅助公式： E [z2] = E [(z -z)2] +z2 ，最后让我们来开展误差公式：
E [y - h(x)]2= E [y2 - 2yh(x) + h(x)2]
= E [y2] - 2E[y] E[h(x)] + E[h(x)2]
= E [(y - y)2] + y2 - 2E[y]h(x) + E [(h(x) - h(x))2] + h(x)2
= E [(y - (fx))2] + f(x)2- 2f(x)h(x)+ E [(h(x) -h(x))2] +h(x)2
=E [(h(x) -h(x))2] + (h(x) - f(x))2 + E[(y - (fx))2]
= variance + bias2 + noise
注：y= E[y] = E[f(x) + ε] = E[f(x)] + E[ε] = E[f(x)] = f(x)，ε均值已经被假定为0，对于具体的x，其E[f(x)] = f(x)
由此可见，误差 ＝ 方差 ＋ 偏差2 + 噪音 组成，一般来说，随着模型复杂度的增加，方差会逐渐增大，偏差会逐渐减小，见下图：
网友评论