概念
偏差： 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，越偏离真实数据集。
（假设靶心是最适合给定数据的模型，离靶心越远，我们的预测就越糟糕）
方差： 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，预测结果数据的分布越散。
基于偏差的误差： 模型预期的预测与我们将要预测的真实值之间的差值。偏差是用来衡量模型的预测同真实值的差异。
基于方差的误差： 模型对给定的数据进行预测的可变性。比如，当你多次重复构建完整模型的进程时，方差是，在预测模型的不同关系间变化的多少。
对上图的解释：
左上：低偏差，低方差。表现出来就是，预测结果准确率很高，并且模型比较健壮（稳定），预测结果高度集中。
右上：低偏差，高方差。表现出来就是，预测结果准确率较高，并且模型不稳定，预测结果比较发散。
左下：高偏差，低方差。表现出来就是，预测结果准确率较低，但是模型稳定，预测结果比较集中。
右下：高偏差，高方差。表现出来就是，预测结果准确率较低，模型也不稳定，预测结果比较发散。
举个例子
想象你开着一架黑鹰直升机，得到命令攻击地面上一只敌军部队，于是你连打数十梭子，结果有一下几种情况:
1.子弹基本上都打在队伍经过的一棵树上了，连在那棵树旁边等兔子的人都毫发无损，这就是方差小（子弹打得很集中），偏差大（跟目的相距甚远）。
2.子弹打在了树上，石头上，树旁边等兔子的人身上，花花草草也都中弹，但是敌军安然无恙，这就是方差大（子弹到处都是），偏差大（跟目的相距甚远）。
3.子弹打死了一部分敌军，但是也打偏了些打到花花草草了，这就是方差大（子弹不集中），偏差小（已经在目标周围了）。
4.子弹一颗没浪费，每一颗都打死一个敌军，跟抗战剧里的八路军一样，这就是方差小（子弹全部都集中在一个位置），偏差小（子弹集中的位置正是它应该射向的位置）。
方差，是形容数据分散程度的，算是“无监督的”，客观的指标，偏差，形容数据跟我们期望的中心差得有多远，算是“有监督的”，有人的知识参与的指标。
IF YOU NEED MORE
偏差（bias）:对象是单个模型， 期望输出与真实标记的差别。
方差（Variance）：对象是多个模型，表示多个模型差异程度。
以上图为例：
1. 左上的模型偏差最大，右下的模型偏差最小；
2. 左上的模型方差最小，右下的模型方差最大。
为了理解第二点，可以看下图。蓝色和绿色分别是同一个训练集上采样得到的两个训练子集，由于采取了复杂的算法去拟合，两个模型差异很大（===> 导致方差大）。如果是拿直线拟合的话，显然差异不会这么大。
一般来说，偏差、方差和模型的复杂度之间的关系如下图所示：
越复杂的模型偏差越小，而方差越大。
我们用一个参数少的，简单的模型进行预测，会得到低方差，高偏差，通常会出现欠拟合。
而我们用一个参数多的，复杂的模型进行预测，会得到高方差，低偏差，通常出现过拟合。
其中：
$frac{d_{Bias}}{d_{Complexity}} = -frac{d_{Variance}}{d_{Complexity}} $
实际中，我们需要找到偏差和方差都较小的点。从上图可以看出在偏差和方差都较小的点处，total Error是最少的。
XGBOOST中，我们选择尽可能多的树，尽可能深的层，来减少模型的偏差；
通过cross-validation，通过在验证集上校验，通过正则化，来减少模型的方差从而获得较低的泛化误差。
拓展
数学上的定义：
定义要预测的变量为$Y$，协变量为$X$，假设有$Y=f(X)+ϵ$，其中误差项服从均值为0的正态分布。
我们用线性回归或者别的模型来估计$f(X)$ 为$hat{f}(X)$。其中，对x来说，误差为：
$Err(x) = E[(Y-hat{f}(x))^{2}]$
将上式展开，然后用偏差和方差表述：
$Err(x) = (E[hat{f}(x)]-f(x))^{2} + E[hat{f}(x)-E[hat{f}(x)]]^{2} + sigma ^{2}$
$Err(x) = Bias^{2} + Variance + Irreducible Error$
注意：最后一项为噪声，是无法通过模型降低的。
通过上面的式子也可看出，要使得误差低，就要使得偏差和方差都要低。
* 公式分解过程：
红色部分=0:
第一部分：
$E_{D}[2(f(x; D) -ar{f}(x))(ar{f}(x)-y_{D})]^{2}$
$=2E_{D}[f(x; D)ar{f}(x)- f(x; D)y_{D}-ar{f}(x)^{2}+ar{f}(x)y_{D}]$
其中：
$E_{D}[f(x; D)ar{f}(x)] = ar{f}(x)^{2}$
$E_{D}[y_{D}f(x; D)] = y_{D}ar{f}(x)$
第二部分：
基于噪声期望为0的假设：
$E_{D}[y - y_{D}] = 0 $
