请用数学分解说明期望泛化误差如何拆成偏差、方差与噪声,并解释模型复杂度与二者的关系。
对真实函数 f 与预测模型 ŷ,期望平方误差可分解为:
$$E[(y-\hat f(x))^2] = Bias^2 + Variance + Irreducible\ Noise$$
其中:
权衡关系
应用:正则化、集成(Bagging 降方差、Boosting 降偏差)本质上都是在调节这一权衡。例如随机森林通过平均多个高方差树降低方差;线性回归加 L2 正则抬高偏差、压低方差。
题目与答案就在本页;收藏、批注和错题重练在应用内