Mi az a bias és a variance egy modellben?

A torzítás (bias) és a variancia (szórás) két kulcsfontosságú fogalom, amelyek leírják a gépi tanulási modell hibáit.

• Bias (torzítás): ez egy hiba, amely egy túl egyszerű modellből ered, amely nem képes jól leírni az adatokat. Magas bias-szal rendelkező modell alulillesztett (underfitting), és rosszul jósol mind a tanulási, mind az új adatokon.

• Variancia (szórás): ez a hiba a modell érzékenységéből adódik a tanulási adatok zajára. Magas varianciájú modell túlillesztett (overfitting), jól működik a tanulási adatokon, de rosszul általánosít az új adatokra.

A bias és a variancia közötti egyensúly fontos egy jó modellhez. Általában, ahogy a modell komplexitása növekszik, a bias csökken, a variancia nő.

Példa:

• Egy egyszerű lineáris regresszió magas bias-szal rendelkezhet, ha az adatok nemlineárisak.
• Egy összetettebb modell, például egy mély neurális hálózat, alacsony bias-szal rendelkezhet, de magas varianciával, ha túlilleszt az adatokhoz.