Quelle affirmation est correcte lorsque l'on décompose l'erreur d'un modèle en biais et en variance (dispersion) ?

Réponse : C. Complexifier le modèle tend à réduire le biais mais à augmenter la variance ; on choisit donc une complexité qui équilibre les deux

Pour l'erreur quadratique, l'espérance de l'erreur sur de nouvelles données se décompose en la somme de trois termes : le carré du biais, la variance et le bruit propre aux données. Le biais est l'erreur due à un modèle trop simple pour capturer la vraie relation ; s'il est élevé, il y a sous-apprentissage. La variance est l'erreur due à la dispersion des prédictions selon les données d'apprentissage choisies ; si elle est élevée, il y a surapprentissage. En général, complexifier le modèle diminue le biais et augmente la variance ; on choisit donc, à l'aide des données de validation ou de la validation croisée, une complexité qui équilibre les deux.