将来训练上出现偏差，等于…你…你也有责任吧！
从统计学的意义上来说，方差（variance）是衡量数据的离散程度，而偏差（bias）则是反映数据与真实情形的偏离程度。
假设有一个样本$x$，$y$是测试样本的真实标记，$f(x)$是模型根据样本训练得出的预测输出结果，预测输出结果的期望为$\bar{f}(x)$，则有
预测结果在样本集上的分散程度（偏离期望）方差为，
预测输出结果与真实标记的差别称为偏差，
下面这个图可以很好地解释偏差与误差之间的区别，圆圈中间的红点代表数据的真实标记，蓝点表示模型的预测结果。很明显，在高方差情形下，模型的预测结果很分散，反之则很集中；在高偏差情形下，模型预测结果的正确率极低，反之则很高。
可以说，方差和偏差分别评价了两个不同因素（数据、模型）在机器学习中的表现，也可以这样来理解：方差代表了数据扰动所造成的影响，增大样本容量通常可以减轻数据扰动带来的影响；偏差则刻画了算法或模型的拟合能力，它与数据本身关系不太大，通过特征工程、调节参数、选择模型等手段可以解决偏差问题。随着训练程度的增大，学习器拟合性能越来越强，偏差会越来越小，而数据的任何扰动则会使已经完善的学习器产生较大方差。
