Lecture1中我们讲到的error来自哪里呢？
一共有两个来源：

• 1.bias 偏置
• 2.variance 方差
  知道了error的来源，就可以挑选适当的方法调整你的model。
  image.png
  如上图所示，假设f^是最优的结果，f* 是估测的结果，我们求出多次实验的 f* 总和的期望，与最优解的距离就是bias，每个f* 之间的距离就是variance。如果 bias太大，那么可以理解为你压根就没瞄准靶心，如果variance太大，说明你射出的子弹有偏移。

如何找多个 f* ？
很简单，只需要用相同的model和不同的样本重复做N次实验。

如果model选择如下，做100次实验，把每个function图像都画出来，那么会得到这样的一百条直线。 image.png
image.png 如果model选择如下，做100此实验，那么结果如下图： image.png
image.png

如果model选择的更加复杂，像下面这样，那结果会变成这样。

image.png
image.png

那么由此我们可以得出，如果你在设计model的时候用的variance比较简单，那么就可以比喻成打靶时候每次打中的点很靠近，但是如果variance很大，则散布就会很开。

image.png
为什么这样？
可以这么想，因为简单的model受到data的影响是比较小的。举一个极端的例子，假设你的model为f = c，意味着无论input什么data输出都是c，所以variance直接为0。 image.png
如果我们把所有的 f* 平均一下，求出到 f^ 的距离，那么这就是bias。但是最优解 f^ 我们不知道啊！所以只能先assume一个最优解 f^。 image.png

总结一下：
越简单的model，variance越小，但bias越大。为什么呢？因为越简单的model，你只能在它表示的那个区域（也就是f*构成的集合）里寻找最优解，然而它却没有包含最优解，不能精确的表示f^ (最优解)，故虽然variance很小，但是却距离f^ 很远。

越复杂的model，variance越大，但bias越小。因为model越复杂，他能表示的区域（也就是f*构成的集合）就多，且包含了最优解，所以能够近似精确的表示f^,但是受data 的影响较大，所以variance会很大。

image.png
此时，如果你的error来自bias，这种情况就叫做Underfitting（欠拟合）；如果你的error来自variance，这种情况就叫做Overfitting（过拟合）。

诊断

那么如何判断是bias过大呢？
如果你的model不能很好的fitting已有的训练集，那么你的bias过大。（也就是underfitting）
对于bias过大的情况，解决方法有两个：

• 1.增加更多的输入特征。

• 2.建立一个更复杂的model。
  如果你的model很好的fitting训练集，但是在测试集上得出的error很大，那么很大可能你的variance过大。（也就是over fitting）
  对于variance过大的情况，解决方法：

• 1.增加更多的数据。
  

  image.png

• 2.regularization 正则化。
  

  image.png

Model Selection

通常需要做的就是平衡bais和variance，使得error最小。但以下是你不应该做的：例如，你手上有training set 和testing set，你有三个model，分别用testing set测试后得出如下结果。理论上model3是效果最好的，但是如果用真正的数据检测后实际上不一定是效果最好的。因为你的testing set只是你所拥有的测试集而不是真正的数据，也是有bias，所以model3对于真实数据不一定就是效果最好的。

image.png

最好的做法是，把training set分成两部分，一部分作为真正的training set，一部分作为validation set 验证集。用验证集选出error最小的model后再用整个training set来测试。然后再用testing set来检测，此时的结果才能真正反映此model对于真实testing set的结果。

image.png

如果我的training set 和 validation set分坏了怎么办？可以用N-fold Cross Validation 交叉验证**。然后求出avg error。

**