機器學習基礎
將模型的誤差分成偏差（bias）與變異（variance）來思考時，下列何者適當？
- A偏差大的模型，預測會因訓練資料的選法而大幅改變，容易發生過擬合
- B模型越複雜，偏差與變異都越小，因此應盡可能使用複雜的模型
- C模型越複雜，偏差容易變小但變異容易變大，因此要選擇兩者取得平衡的複雜度
查看答案與解析
正確答案：C. 模型越複雜，偏差容易變小但變異容易變大，因此要選擇兩者取得平衡的複雜度
以平方誤差來看，對新資料之誤差的期望值，可以分解為偏差的平方、變異，以及資料本身之雜訊三者的和。偏差是模型過於簡單、無法掌握真正關係所造成的誤差，偏差大會導致欠擬合。變異是預測因訓練資料的選法而變動所造成的誤差，變異大會導致過擬合。一般而言，模型越複雜偏差越小、變異越大，因此要以驗證資料或交叉驗證，選擇兩者取得平衡的複雜度。
- A. 預測會因訓練資料而大幅改變、容易過擬合的，是變異大的模型。
- B. 一般而言，模型越複雜偏差越小，但變異會變大。
- C. 正確。偏差與變異互為取捨關係，因此要選擇取得平衡的複雜度。