假设有一群老鼠，我们测量，并在二维坐标系中记录它们的身高以及对应的体重，这些点似乎都在某一条曲线的附近，但我们并不知道准确的方程式，所以我们可以使用两种机器学习的方法来估算它们的关系（直线和波纹线）。
我们要做的第一件事情是将数据划分成两个部分，一部分用作训练机械学习的算法，另一部分用作测试。
我们要使用的第一种机器学习算法是线性回归（Linear Regression），也称作“最小二乘法”。
但无论我们怎样调整直线的角度，由于直线不能包含弧度，线性回归直线永远捕获不了 Height 与 Weight 的真正关系。
这种无法捕获的情况称为偏差（Bias）。
在训练模型中，比起直线，波浪线拥有更少的偏差。
而在测试模型中，比起直线，波浪线在每个点的落差平方和明显更大。
在机器学习中，数据集之间的拟合差异称为方差（Variance）。
总结一下：
直线只能帮助我们较好地预测，而不能很好地预测，但是它可以一直起作 用；
我们很难确认波浪线是否符合我们的需求，它有时候可能刚好拟合未来的数据集，但有时候也可能千差万别。
由于波浪线过度贴合训练模型，而不符合测试模型。
所以这种过度贴合的情况称为过度拟合（Overfit）。
