欠拟合=高偏差还好理解一些，一直不太明白过拟合和高方差有什么关系，那么我们首先就要理解各种 ‘差’ 的定义
定义：
我们评价一个模型好不好，是通过测试集的数据来评价的，而不是训练集或者交叉验证集，如果在测试集上预测数据表现得不好，那么我们就说这个训练出来的模型有很大的误差。
那么误差来自于哪里呢？
误差 = 偏差 + 方差
在不写出这个式子时，很多人可能不会察觉误差和偏差有什么区别？因此总是想当然的认为误差和偏差是一个东西，这样就会造成我们无法理解方差是什么？
误差：在测试集上，预测值和实际值之间存在的差距。
图中红点表示输入一个样本x，其真实的输出值y，即我们希望输出的目标，而蓝点表示我们实际预测出来的输出值，注意，所有蓝点的输入样本都是同一个x，那么为什么会得出不同的预测值呢？因为这里代表的是：我们使用了不同的训练集（从所有样本中选出不同的训练集）得出了不同的参数theta（即N个不同的训练模型），导致最终的预测值有区别。
解释完这些，再定义偏差和方差。
偏差： 偏差是衡量预测值和真实值的关系。即N次预测的平均值（也叫期望值），和实际真实值的差距。所以偏差bias=E(p(x)) - f(x)。
方差： 方差用于衡量预测值之间的关系，和真实值无关。即对于给定的某一个输入，N次预测结果之间的方差。variance= E((p(x) - E(p(x)))^2)，反映的是不同训练模型之间对同一个输入样本x的预测值的离散程度。
- 在模型复杂度比较低时，会出现欠拟合的现象，那么此时使用不同的 ‘训练集’ 训练出多个 ‘训练模型’，由于没有很好的拟合图像，就会使E(p(x)) 和实际y偏差很大，导致高偏差。
- 在模型复杂度高时，出现过拟合的现象，那么此时使用不同的 ‘训练集’ 训练出多个 ‘训练模型’，只能适应该训练集的数据，而不能适应测试集的数据，导致同一个输入对于不同的训练模型输出的数据比较离散，从而方差较大
一般来说，方差、偏差、模型复杂度有以下关系：
那么对于四张打靶图的情况在线性回归中是否都有可能出现呢？
首先对于第一张图，low bias\low variance是我们最希望得到的，它对应着图2中的交点，自然说明此时我们的模型非常好，因此可能会出现
对于第二张图，此时则考虑出现过拟合的情况，即方差较大，偏差较小，可能出现
对于第三张图，此时则考虑出现欠拟合的情况，即方差较小，偏差较大，可能出现
对于第四张图，方差偏差都很大，则说明我们的训练模型完全在瞎猜输出值，这种情况一般在线性回归的训练中不会出现。