bias 和 variance trade off这里是不是讲反了。

嗨，努力学习的PZer你好：

没讲反。可以参考讲义P399-400：

Bias error指的是模型是否很好的拟合了训练集（样本内）的数据，也就是模型能否很好的预测样本内的数据。

Variance error指的是，随着样本外新数据的纳入，模型的预测结果是否会产生剧烈变动。

最理想的结果当然是bias很小，并且variance也很小，但是这难以做到。所谓的trade off指的就是：

1. 如果过度追求low bias，你会针对样本内已有的数据，做出一个非常复杂、高级的模型，这样可以完美的预测样本内的数据，但问题是一旦引入样本外的新数据，模型就失效了（所以是low bias但是有high variance，这个对应讲义的黄线部分）。
2. 如果过度追求low variance，你会选过于简单的模型。简单模型的variance很稳定，但是预测精度很差，也就是bias很大（对应蓝线部分）。
3. 所以要兼顾这二者，尽可能做到都比较小，不能只顾着一个。

----------------------------------------------
虽然现在很辛苦，但努力过的感觉真的很好，加油！