解释一

偏差：描述的是预测值（估计值）的期望与真实值之间的差距。偏差越大，越偏离真实数据，如下图第二行所示。

方差：描述的是预测值的变化范围，离散程度，也就是离其期望值的距离。方差越大，数据的分布越分散，如下图右列所示。

参考：Understanding the Bias-Variance Tradeoff

解释二

Bias：误差，对象是单个模型，期望输出与真实标记的差别

Variance：方差，对象是多个模型

从同一个数据集中，用科学的采样方法得到几个不同的子训练集，用这些训练集训练得到的模型往往并不相同。

以上图为例：
\1. 左上的模型偏差最大，右下的模型偏差最小；
\2. 左上的模型方差最小，右下的模型方差最大

为了理解第二点，可以看下图。蓝色和绿色分别是同一个训练集上采样得到的两个训练子集，由于采取了复杂的算法去拟合，两个模型差异很大。如果是拿直线拟合的话，显然差异不会这么大。

一般来说，偏差、方差和模型的复杂度之间的关系是这样子滴：

实际中，我们需要找到偏差和方差都较小的点。

XGBOOST中，我们选择尽可能多的树，尽可能深的层，来减少模型的偏差；
通过cross-validation，通过在验证集上校验，通过正则化，来减少模型的方差

从而获得较低的泛化误差。

Blog: https://blog.yilon.top