自己开发了一个股票智能分析软件，功能很强大，需要的点击下面的链接获取：
https://www.cnblogs.com/bclshuai/p/11380657.html
1.1 偏差方差分解
拟合能力强的模型复杂度比较高，但是容易导致过拟合，泛化能力差。如果降低模型的复杂度，降低拟合能力，又会导致欠拟合。所以需要在过拟合和欠拟合之间找到一个平衡。这个很好理解，以多项式拟合为例，多项式的阶数越高，拟合的误差越小，但是如果用于计算拟合数据以外的数据，就会出现很大的偏差，泛化能力差。如果阶数越小，泛化能力很强。
在实际训练中，通过采样样本集进行训练，不同的样本集D上训练得到不同的模型参数fD(x)。有个最优的模型参数，使得平方损失函数最小的模型f*(x)。
偏差：指样本训练值平均值与最优模型值之间的差距；衡量模型的拟合能力。
方差：指的是一个模型在多个训练样本集上的差异，反映为多个样本训练值之间的集中程度；如果越集中则方差越小。泛化能力越强，能够适应不同的样本集。
复杂度高的模型拟合能力强，容易过拟合，在训练集上偏差小，但是在验证集上偏差大。我们需要通过降低模型复杂度来增强泛化能力，使其在验证集上的偏差也能减小。如果模型在训练集上的偏差比较大，说明模型欠拟合，可以通过增加复杂度来提高拟合能力，减小偏差。以结构风险最小化为例，我们可以增大正则化系数降低模型的复杂度，增强泛化能力，减小过拟合引起的偏差．也可以减小正则化系数，提高拟合能力．因此，一个好的正则化系数需要在偏差和方差之间取得比较好的平衡．下图给出了机器学习模型的期望错误、偏差和方差随复杂度的变化情况，其中红色虚线表示最优模型．最优模型并不一定是偏差曲线和方差曲线的交点。
标签：偏差,泛化,方差,模型,拟合,复杂度,2.5 来源： https://www.cnblogs.com/bclshuai/p/14146326.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。