误差的分类bias（平均误差）与variation（均方误差）并且更加复杂的模型并不一定会带来更低的误差。

对于实际的情况，存在一个最佳的预测函数，记为f^，此为理想情况；实际情况中，我们根据training data，可以得到一个预测函数，记为f*，此时我们可以称f*为f^的一个估计子（estimator），我们定义平均误差为模型函数误差：

m=\frac{1}{n}\sum_{i=1}^{n}(\hat{y_{n}}-\hat{f(x_{n}))}^{2}

为了分析误差，用于获得表现更优异的模型，此时可以引入bias和variance的概念，即统计里面的概念，例如无偏估计量(unbias estamator)、方差等等 。

形象的bias和variance

实际情况是，根据同一组模型，我们通过训练得到了一个函数；经过多次训练，我们会得多组函数。如下图所示，选取了100个训练集合。可以发现简单的模型，其variance较小；而较为复杂的模型，其variance较大。而对于bias，较为复杂的model有着较小的bias，如下图所示。

简单模型有可能不包含最佳预测函数f^，所以如果发现函数集f*的期望与f^差值较大，即bias误差大，可以在模型复杂程度上进行改进。 100组简单模型训练出的函数与100组复杂模型训练处的函数，越复杂的模型所训练出来的函数之间差异越大，即误差的variation部分较大，解决方法通常是增多training data 或者采用regularization的方法。

采用regularization方法可以让function更加平滑，

L(w)= \sum_{i=1}^{n}(\hat{y^{_{n}}}-f(\hat{x_{n}})+\lambda \sum_{1}^{i} w_{I})

根据y=wx+b,w越小代表y随x的变化越小，曲线越平滑，\lambda是权重参数，代表曲线平滑度对L(w) loss function的影响大小。

误差的来源：1.模型的参数的高次方忽略，以下简称模型复杂程度低。2.training data不足够。