Mis on bias ja variance mudelis?

Bias (kallutamine) ja variance (levik) on kaks põhikonseptsiooni, mis kirjeldavad masinõppe mudeli vigu.

• Bias (kallutamine): see on viga, mis tuleneb liiga lihtsast mudelist, mis ei suuda andmeid hästi kirjeldada. Kõrge biasiga mudel on alakoormatud (underfitting) ja teeb halbu prognoose nii treening- kui ka uutel andmetel.

• Variance (levik): see on viga, mis on seotud mudeli tundlikkusega treeningandmete müra suhtes. Kõrge variatsiooniga mudel on üleõppinud (overfitting), töötab hästi treeningandmetel, kuid üldistab halvasti uutele andmetele.

Tasakaal bias'i ja variance'i vahel on oluline hea mudeli jaoks. Üldiselt, mudeli keerukust suurendades, väheneb bias ja suureneb variance.

Näide:

• Lihtne lineaarne regressioon võib olla kõrge bias, kui andmed on mittelineaarsed.
• Keerulisem mudel, näiteks sügav närvivõrk, võib olla madala biasiga, kuid kõrge variance'iga, kui see üleõppib treeningandmetel.