偏差（bias)和方差(variance)區別：
偏差指的是算法的期望預測與真實預測之間的偏差程度， 反應了模型本身的
擬合能力；
方差度量了同等大小的訓練集的變動導致學習性能的變化， 刻畫了數據擾動
所導致的影響。
當模型越複雜時， 擬合的程度就越高， 模型的訓練偏差就越小。 但此時如果
換一組數據可能模型的變化就會很大， 即模型的方差很大。 所以模型過於復
雜的時候會導致過擬合。
當模型越簡單時， 即使我們再換一組數據， 最後得出的學習器和之前的
學習器的差別就不那麼大， 模型的方差很小。 還是因爲模型簡單， 所以偏差
會很大。
模型複雜度越高，越容易過擬合，方差越大，偏差越小
模型複雜度越低，越容易欠擬合，偏差越大，方差越小