经由偏差 - 方差的权衡，我们可以更好地理解机器学习算法。
偏差（bias）是模型所做的简化假设，其目的是更容易地学习目标函数。
通常，参数算法具有高偏差。它们学习起来很快，且易于理解，但通常不太灵活。反过来，它们对复杂问题的预测性能较低，无法满足算法偏差的简化假设。
决策树是一种低偏差算法，而线性回归则是一种高偏差算法。
方差（variance）表示的是，如果使用不同的训练数据，目标函数的估计有多少的变化量。目标函数是通过机器学习算法从训练数据中估计而成的，因此我们应该期望算法具有一些方差，而不是零方差。
K-Nearest Neighbors算法是一个典型的高方差算法，而线性判别分析是低方差算法的一个例子。
任何预测建模的机器学习算法，都有一个目标：实现低偏差和低方差。反之，该算法应该具有良好的预测性能。机器学习算法的参数化通常是在偏差和方差之间取得平衡。
增加偏差会减少方差。
增加方差将减少偏差。
