如果你的算法方差较高，可以尝试下面的技巧：
- 增加训练数据：只要你可以获得大量数据和足够的算力去处理数据，这就是一种解决高方差问题最简单，最可靠的方式。
- 正则化（L2, L1, dropout）：这种技巧减少方差的同时，增加了偏差。
- 提前停止（例如，根据开发集的错误率来提前停止梯度下降）：这种技巧减少方差的同时增加的偏差。提前停止技巧很像正则化方法，一些论文作者也叫他正则化技巧。
- 特征选择来减少输入特征的数量或类型：这种技巧可能会处理好方差问题，但是同时会增大偏差。稍微减少特征数量（比如从1000个特征减少到900个特征）不太可能对偏差产生大的影响。大量减少特征数量（比如从1000减少到100-减少10倍）可能产生较大偏差，因为去掉了很多有用的特征。（注：可能会欠拟合）。在现代的深度学习中，数据量很大，人们对待特征选择的态度出现了转变，现在我们更加倾向于使用全部的特征，让算法自己选择合适的特征。但是当训练集比较小时，特征选择非常有用。
- 缩小模型（例如减少网络层数和神经元数量）：谨慎使用。这种技巧可以减少方差，同时也可能增加偏差。然而，我并不推荐使用这种技巧来解决方差问题。添加正则化通常会获得更好的分类性能。缩小模型的优点在于减少计算成本，以更快的速度来训练模型。如果模型的训练速度非常重要，那么就想尽一切方法来缩小模型。但是如果目标是减少方差，不是那么在意计算成本，可以考虑添加正则化。
下面是2种和前一节重复的解决偏差问题的策略：
- 基于误差分析带来的灵感来修改输入特征：比方说你通过误差分析决定添加额外的特征以解决一类特定的错误。新的特征可以对方差的偏差都有好处。理论上，添加特征可能增加方差，如果确实增加了方差，那么可以使用正则化来消除增加的方差。
- 修改模型（比如神经网络）：修改模型使其更加适合要解决的问题。这种方式会同时影响到偏差和方差。