Bias(偏差)
模型在样本上的输出与真实值之间的误差，即模型本身的精准度，反应出算法的拟合能力。
Variance(方差)
模型每一次输出结果与模型输出期望之间的误差，即模型的稳定性，反应出预测的波动情况。
偏差与方差的关系
偏差与方差之间按照高低，可以组合成四种关系，如下图所示
左图为欠拟合，偏差较高。中间的方差和偏差都较为合理。右图的偏差较小，但方差很高，是过度拟合。
1、低偏差低方差
表示模型既准确又稳定，效果最好，但是现实中这种情形很少遇见。
2、低偏差高方差
表示模型准确但是稳定性差，对验证数据&测试数据的拟合能力差，即是模型的泛化能力差，产生了过拟合(Overfitting)。
3、高偏差低方差
表示模型的准确度差，对数据的拟合能力弱，产生了欠拟合(Underfitting)。
4、高偏差高方差
表示模型既不准确又不稳定。
过拟合与欠拟合
由上面的分析可知，高方差往往预示着过拟合，高偏差则是欠拟合。
避免欠拟合(拟合太差)
1、增加训练样本数据
2、设计更复杂的神经网络模型
3、增加迭代次数
4、更好的优化函数
5、调整超参数值
避免过拟合(拟合过度，泛化太差)
1、设计更简单的神经网络模型
2、增加训练样本数据
3、正则化。在损失函数后面添加上L2正则项
4、使用dropout。随机性使得网络中的部分神经元失效，效果上类似将模型变得更简单。
5、调整超参数值
6、尝试其他模型
7、提前结束训练(early stopping)。即是提前结束优化损失函数。
简单小结
在实际工程中，通常可以按下面的来操作
贝叶斯(最优)误差-理论上的最小误差值(通常比人类误差小)
可避免偏差-训练误差 与 贝叶斯误差 之间的差值
方差-验证集误差 与 训练误差 的差值
当 可避免偏差 大于 方差 时，发生 欠拟合。
当 方差 大于 可避免偏差 时，发生 过拟合。
在训练模型时对照以上描述，有助于定位问题，更快找到最适合的模型。
通常神经网络规模越大，模型与训练数据拟合的程度越大，拟合程度越大，偏差就越小。理想的神经网络模型是偏差和方差都很小。当训练集的偏差较小，但方差很大的时候，需要做的是增加训练集的数据，但有时无法获得更多的数据，那么就需要用到正则化的方法。如果怎么都无法使偏差很小，那么就需要改变神经网络，此时增加训练数据没什么用。