一个模型可以同时具有高偏差和高方差吗？过拟合和欠拟合？
Can a model have both high bias and high variance? Overfitting and Underfitting?
据我所知，在创建监督学习模型时，如果我们做出非常简单的假设（例如，如果我们的函数是线性的），我们的模型可能会有很高的偏差，这会导致算法错过我们的特征和目标之间的关系导致错误的输出。这是欠拟合。
另一方面，如果我们的算法过于强大（许多多项式特征），它将对训练集中的小波动非常敏感，从而导致过度拟合：对训练数据中的随机噪声建模，而不是预期的输出。这是过度拟合。
这对我来说很有意义，但我听说一个模型可以同时具有高方差和高偏差，我只是不明白这怎么可能。如果高偏差和高方差是欠拟合和过拟合的同义词，那么如何在同一个模型上同时出现过拟合和欠拟合呢？可能吗？怎么会发生？当它真的发生时会是什么样子？
想象一个回归问题。我定义了一个分类器，它输出训练数据中观察到的目标变量的最大值，用于所有可能的输入。
这个模型既有偏差（无论输入多么丰富或多变，也只能表示单一输出）并且具有高方差（数据集的最大值会在数据集之间表现出很大的可变性）。
你在某种程度上是对的，偏差意味着模型可能欠拟合，方差意味着模型容易过度拟合，但它们并不完全相同。
根据我的说法，当直线与数据中的异常值相吻合时，就会出现高偏差和高方差
据我所知，在创建监督学习模型时，如果我们做出非常简单的假设（例如，如果我们的函数是线性的），我们的模型可能会有很高的偏差，这会导致算法错过我们的特征和目标之间的关系导致错误的输出。这是欠拟合。
另一方面，如果我们的算法过于强大（许多多项式特征），它将对训练集中的小波动非常敏感，从而导致过度拟合：对训练数据中的随机噪声建模，而不是预期的输出。这是过度拟合。
这对我来说很有意义，但我听说一个模型可以同时具有高方差和高偏差，我只是不明白这怎么可能。如果高偏差和高方差是欠拟合和过拟合的同义词，那么如何在同一个模型上同时出现过拟合和欠拟合呢？可能吗？怎么会发生？当它真的发生时会是什么样子？
想象一个回归问题。我定义了一个分类器，它输出训练数据中观察到的目标变量的最大值，用于所有可能的输入。
这个模型既有偏差（无论输入多么丰富或多变，也只能表示单一输出）并且具有高方差（数据集的最大值会在数据集之间表现出很大的可变性）。
你在某种程度上是对的，偏差意味着模型可能欠拟合，方差意味着模型容易过度拟合，但它们并不完全相同。
根据我的说法，当直线与数据中的异常值相吻合时，就会出现高偏差和高方差