O que são bias e variância em um modelo?

O viés (desvio) e a variância (dispersão) são dois conceitos-chave que descrevem os erros de um modelo de aprendizagem automática.

• Viés (desvio): é um erro que surge devido a um modelo demasiado simples, que não consegue descrever bem os dados. Um modelo com alto viés está subajustado (underfitting) e faz previsões ruins tanto nos dados de treino quanto nos novos.

• Variância (dispersão): é um erro relacionado com a sensibilidade do modelo ao ruído nos dados de treino. Um modelo com alta variância está sobreajustado (overfitting), funciona bem nos dados de treino, mas generaliza mal para novos dados.

O equilíbrio entre viés e variância é importante para um bom modelo. Geralmente, ao aumentar a complexidade do modelo, o viés diminui e a variância aumenta.

Exemplo:

• Uma regressão linear simples pode ter um viés alto se os dados forem não lineares.
• Um modelo complexo, como uma rede neural profunda, pode ter um viés baixo, mas alta variância se estiver sobreajustado aos dados de treino.