ConceptBias-Variance Tradeoff
偏差-方差权衡
统计学习理论核心概念，描述模型预测误差中偏差（欠拟合）与方差（过拟合）之间的此消彼长关系，是理解正则化、交叉验证、集成学习等技术的基础框架
Core Facts
Timeline (last 90 days)
Sep 11
偏差-方差权衡由Geman等人在1992年形式化，均方误差可分解为MSE = Bias² + Variance
Unverified50%
Sep 11
Ledoit-Wolf收缩是偏差-方差权衡的应用，引入适度偏差来大幅降低估计方差从而使总体估计误差最小化
Unverified50%
Sep 7
监督学习模型在未见数据上的期望误差可分解为偏差²、方差和不可约噪声三个分量
Unverified50%
Sep 7
简单模型（如线性回归）通常高偏差低方差，复杂模型（如深层神经网络）则低偏差高方差
Unverified50%
Aug 26
偏差-方差权衡是理解模型欠拟合和过拟合的核心框架，高偏差意味着欠拟合，高方差意味着过拟合
Unverified50%
Jul 13
模型的泛化误差等于偏差平方加方差加不可约噪声
Verified65%
Jul 12
总预测误差可以分解为偏差²+方差+不可约误差
Unverified50%
All Facts (7)
Verified
模型的泛化误差等于偏差平方加方差加不可约噪声
65%Unverified偏差-方差权衡由Geman等人在1992年形式化，均方误差可分解为MSE = Bias² + Variance
50%UnverifiedLedoit-Wolf收缩是偏差-方差权衡的应用，引入适度偏差来大幅降低估计方差从而使总体估计误差最小化
50%Unverified监督学习模型在未见数据上的期望误差可分解为偏差²、方差和不可约噪声三个分量
50%Unverified简单模型（如线性回归）通常高偏差低方差，复杂模型（如深层神经网络）则低偏差高方差
50%Unverified偏差-方差权衡是理解模型欠拟合和过拟合的核心框架，高偏差意味着欠拟合，高方差意味着过拟合
50%Unverified总预测误差可以分解为偏差²+方差+不可约误差
50%