1、背景
机器学习的error来自2类，一种是bias，一种是variance；优化的时候诊断error来自哪，就可以针对性进行优化
如下图： error来自bias时候，表示打靶的点的均值离靶心的距离； error来自variable表示打靶的点分布在均值的周围的离散程度。
high bias中心离靶心远，数据比较集中。hign variance 中心离靶心紧，但是数据分散。当为hign bias时候，他的model表示的function set没有包含target靶心（正真的function）；当hign variance，他表示的model包含target，但是可能找不到真正的target，原因是给的data不够。
如下图，从左到右，由bias造成的error逐渐变大，但是由variance造成的error逐渐上升。
如下图，左侧是简单的模型，右边是复杂的模型；简单的模型受数据的影响小，分散比较紧。
2、优化方法
2.1 确认是bias还是variable造成的error
1、来自bias
2、来自 variables
