一、期望
也可以称为均值
假设每次的预测值为
f(x1),f(x2),f(x3)...,f(xn)
每个预测值的概率分别为
P(x1),P(x2),P(x3)....
则期望为:
f(x)^=p(x1)∗f(x1)+p(x2)∗f(x2)+p(x3)∗f(x3)
二、方差(与真实值无关)
度量了同样大小的训练集的变动所导致的学习性能的变化,即刻画了数据扰动造成的影响。
描述的是预测值的变化范围,离散程度,也就是离其期望值的距离。方差越大,数据的分布越分散,如下图右列所示。
---摘自《机器学习》,周志华
var(x)=n1∑t=1n(f(xt)−f^)2
三、偏差
度量学习算法的期望预测与真实结果的偏离程度,也叫拟合能力。
描述的是预测值(估计值)的期望与真实值之间的差距。偏差越大,越偏离真实数据,如下图第二行所示。
---摘自《机器学习》,周志华
bias2(x)=(f(x)^−y)2
y:真实值
