引言
机器学习系统开发的典型流程是从一个想法开始，然后训练模型。初次训练的结果通常不理想，因此关键在于如何决定下一步该做什么以提高模型性能。观察算法的偏差和方差（Bias and Variance）在很多应用场景中能很好地指导下一步的改进。
名词替代
J_train：训练误差
J_cv：交叉验证误差
J_test：测试误差
影响模型偏差和方差的因素
1.多项式阶数
（1）什么是高偏差和高方差
- 如果用一条直线来拟合数据，效果不好，则认为此时模型有高偏差，高偏差的模型J_train和J_cv都很高，表现为欠拟合。
- 如果用一个四阶多项式来拟合数据，则认为此时模型有高方差，高方差的模型J_train很低，但J_cv很高，表现为过拟合。
- 如果用一个二次多项式来拟合数据，效果最好，此时模型既没有高偏差也没有高方差，合适的模型J_train和J_cv都较低。
（2） 模型复杂度对模型表现的影响
当多项式阶数（模型复杂度）增加时：
- J_train会下降，因为模型变得更加复杂，更能拟合训练数据，此时模型高偏差。
- J_cv在多项式次数（d）很低时很高，表示欠拟合，此时模型高偏差；在多项式次数（d）很高时也很高，表示过拟合，此时模型高方差。
只有在适中的多项式次数（如二次多项式）时，模型的J_train和J_cv都较低，表现最好。 因此要选择一个合适的多项式次数，使模型在训练数据和未见过的数据上都有较好的表现，达到偏差和方差的平衡。
（3）结论
高偏差（欠拟合）：主要指标是J_train高，表示模型在训练集上表现不好。通常J_train和J_cv接近。
高方差（过拟合）：主要指标是J_cv远高于J_train，即J_cv >> J_train。训练误差低但交叉验证误差高，表明模型在训练数据上表现好但在新数据上表现差。
同时存在高偏差和高方差：这种情况较少见，但在某些复杂模型如神经网络中可能出现。表现为训练误差高，交叉验证误差更高。
关键在于：高偏差表示模型在训练集上表现不好，高方差表示模型在交叉验证集上比在训练集上表现差得多。
2.正则化参数
（1）过大的λ和过小的λ
λ过大导致模型高偏差（欠拟合），w参数几乎为0没有影响了，只有λ的常量值，此时模型绘制出来就是一条线，因此无法拟合训练样本，Jtrain较高。λ过小导致模型高方差（过拟合），Jcv远大于Jtrain。最终，合适的λ值能平衡偏差和方差，减少训练集和验证集的误差。
（2）通过交叉验证选择适合的λ
类似于之前选择多项式阶数的方法，先设定λ值（如λ=0），最小化成本函数得到参数，然后计算J_cv。不断尝试不同的λ值，逐步翻倍，并计算每次的J_cv。最终，通过比较不同λ值对应的J_cv差，选择J_cv最小的λ值及其对应的参数。最后，用J_test评估算法的泛化性能，并展示J_train和J_cv如何随λ变化。
（3）正则化参数λ对模型表现的影响
当正则化参数（λ）变大时：
- λ=0时表示没有正则化，容易过拟合（高方差），J_train小而J_cv大。
- λ值很大时会欠拟合（高偏差），导致J_train和J_cv都很大。随着λ增大，J_train增加。两端λ值过大或过小时J_cv都会增加。
适中的λ值可以使模型性能最佳，J_train和J_cv都较低。 最终得出结论：通过交叉验证尝试不同的λ值，选择J_cv最小的λ值，可以得到合适的模型。类似于选择多项式次数，两者图形在偏差和方差方面是镜像关系。
判断是否有高偏差或高方差
1.方法一：建立性能基准水平
（1）语音识别案例概述
训练一个语音识别系统，J_train（没有正确转录的部分占总体的比例）为10.8%，J_cv（测试系统性能）为14.8%。尽管10.8%看起来像是高偏差，但通过与人类表现（10.6%误差）对比，发现算法在训练集上的表现接近人类水平，仅差0.2%。真正的问题是J_cv比J_train高很多，有4%的差距，这表明算法存在高方差问题，而不是高偏差问题。通过这样的基准测试，可以更准确地判断算法性能的不足之处。
（2）建立性能基准水平的三种方法
在判断训练误差是否高时，建立性能的基准水平很有用。基线水平帮助你对学习算法的误差有合理的预期。
- 常见的方法是衡量人类在该任务上的表现，因为人类通常擅长处理非结构化数据（如音频、图像或文本）。
- 另一种方法是参考已有的竞争算法或之前的实现，通过测量这些算法的性能来建立基准。
- 有时也可以根据之前的经验进行猜测。
（3）性能基准水平判断高偏差和高方差
首先，通过建立性能基准水平（如人类表现）和测量训练误差及交叉验证误差来评估算法的性能。 - （左侧）如果训练误差高于基线水平，则算法存在高偏差。
- （中间）如果交叉验证误差远高于训练误差，则表明算法有高方差。
通过这些数值差距，可以直观地判断算法的问题。（右侧）有时算法可能同时存在高偏差和高方差，具体表现为训练误差高于基线水平，且训练误差与交叉验证误差之间的差距很大。理解这些指标有助于更好地分析和改进算法。
（4）小结
判断算法是否有高偏差的一种方法是看训练误差是否大，然而，在某些应用中，数据可能嘈杂，零误差不现实，因此建立性能基准很有用。你可以将训练误差与期望误差（如人类表现）对比，来判断误差是否大。同样，比较交叉验证误差和训练误差，来判断算法是否有高方差问题。通过这些方法，可以准确评估算法的偏差和方差问题。此外，学习曲线也是理解算法性能的一个有用工具。
2.方法二：建立学习曲线
学习曲线（Learning curves）是一种帮助你了解学习算法性能如何的方式，曲线随着经验的数量发生变化。,经验数量指的是算法所拥有的训练样本数。
（1）训练样本数的变化与J_train，J_cv
学习曲线帮助了解学习算法性能随训练样本数量变化的方式。横轴表示训练样本数，纵轴表示误差，包括训练误差（J_train）和交叉验证误差（J_cv）。当训练样本增多，交叉验证误差减少，因为模型变得更好。而训练误差则会增加，因为随着样本增多，模型很难完美拟合所有训练样本。少量样本时，训练误差接近零，但样本增多后，误差会增加。
通常交叉验证误差比训练误差高，因为模型更好地拟合了训练集。
（2）高偏差的学习曲线
高偏差情况下，训练误差和交叉验证误差随着样本增加，初期会下降但随后趋于平稳。这是因为模型太简单（如线性函数），无法适应更多数据，即使增加训练数据，误差也不会降低。
通过比较基准线（如人类表现），可以看到J_train与基准线的较大误差（间隙较大），说明高偏差问题。结论是，如果算法有高偏差，增加更多训练数据效果不大，需要其他方法改善算法性能。
（3）高方差的学习曲线
高方差情况下，训练误差（J_train）随训练集变大而增加，但交叉验证误差（J_cv）更高，两者之间差距大，表明模型在训练集上表现好但不能泛化。高方差的信号是交叉验证误差远高于训练误差。
增加训练数据有助于降低交叉验证误差，使其接近训练误差，从而改善算法性能。因此，扩展训练集对高方差算法有显著帮助，但对高偏差算法效果不大。总结来说，更多的训练数据可以帮助高方差算法降低误差，提高性能。
总结
正常来讲，先判断模型出现了什么问题，通过建立性能基准水平或学习曲线，观察模型出现了高方差还是高偏差。然后在根据影响方差或偏差的因素，选择对应的方案优化模型。下一篇会通过案例应用本篇的两个过程。
