1.数据欠拟合会出现高偏差问题，比如数据的趋势是二次函数，用一次函数取拟合会出现高的偏差。
2.数据过度的拟合会出现高方差问题，比如用10个数据特征去拟合9个数据会出现高的方差。
3.怎么处理高偏差和高方差问题：
高偏差：训练误差很大，训练误差与测试误差差距小，随着样本数据增多，训练误差增大。解决方法：
1.寻找更好的特征（具有代表性的）
2.用更多的特征（增大输入向量的维度）
高方差：训练误差小，训练误差与测试误差差距大，可以通过增大样本集合来减小差距。随着样本数据增多，测试误差会减小。解决方案：
1.增大数据集合（使用更多的数据）
2.减少数据特征（减小数据维度）
图1
从图中可以看出当数据出现高方差即过拟合，随着训练集合增加，训练误差会随着增加，测试误差会随着减小，从图中可以看出，提供更多的数据可以减少测试误差与训练误差之间的差距。
图2
从图中2可以看出随着训练集合增加，测试误差会减少，但是减少到某个程度时，测试误差会持平，训练误差会增大。训练误差和测试误差会超过预期的误差值。
一般采取判断某函数是高方差还是高偏差，简单的判断是看训练误差与测试误差的差距，差距大说明是高方差的，差距小说明是高偏差的。