Figure 2.1: Illustration of the tra

Figure 2.1: Illustration of the trade-off between bias and variance as a function of training
time.
To understand these concepts further, consider our unknown function φ, a sample training set t, and two estimators, C and S. The C estimator is so named because it is complicated
— it has a large number of configurable parameters w. The S estimator is so named because
it is simple, it has relatively few parameters w. Assume now that t is outside the representable function space of S, but within the corresponding space of C. We know that C will
be able to fit the function, but also that it will probably overfit to the training dataset t,
and not be a good estimate of the true function φ. For a different random sample of training
data, the complex estimator may again overfit, so producing a different hypothesis for each
different set of training data presented. This is high variance, with regard to the training
sets, but because it fits each one so well, it is said to have low bias. The simple estimator S
will not be able to fit the data t, so will have high bias. However, it will respond in almost
the same way (low variance) for different instances of t, since its representable function

ผลลัพธ์ (ไทย) 2:

รูปที่ 2.1:
ภาพของการค้าออกระหว่างอคติและความแปรปรวนเป็นฟังก์ชั่นของการฝึกอบรม. และเวลาเพื่อให้เข้าใจแนวความคิดเหล่านี้ต่อไปพิจารณาφฟังก์ชั่นของเราไม่รู้จัก, เสื้อตัวอย่างการฝึกอบรมชุดและสองประมาณ, C และเอสซีเป็นประมาณการ ชื่อเช่นนี้เพราะมันมีความซับซ้อน - มันมีจำนวนมากของพารามิเตอร์ที่กำหนดน้ำหนัก ประมาณการ S ตั้งชื่อให้เพราะมันเป็นเรื่องง่ายแต่ก็มีพารามิเตอร์ค่อนข้างน้อยน้ำหนัก สมมติว่าตอนนี้เสื้อที่อยู่นอกพื้นที่ซึ่งแสดงฟังก์ชั่นของ S แต่ในพื้นที่ที่สอดคล้องกันของซีเรารู้ว่าซีจะสามารถให้พอดีกับฟังก์ชั่นแต่ยังว่ามันอาจจะ overfit การฝึกอบรมชุดเสื้อที่และไม่เป็นประมาณการที่ดีของφฟังก์ชั่นที่แท้จริง สำหรับการสุ่มตัวอย่างที่แตกต่างกันของการฝึกอบรมข้อมูลประมาณการที่ซับซ้อนอาจ overfit อีกครั้งดังนั้นการผลิตสมมติฐานแตกต่างกันสำหรับแต่ละชุดที่แตกต่างกันของข้อมูลที่นำเสนอการฝึกอบรม นี่คือความแปรปรวนสูงเกี่ยวกับการฝึกอบรมชุด แต่เป็นเพราะมันเหมาะกับแต่ละคนให้ดีก็จะกล่าวว่ามีอคติต่ำ ดัชนี S ประมาณการง่ายจะไม่สามารถให้พอดีกับเสื้อข้อมูลเพื่อจะได้มีอคติสูง แต่ก็จะตอบสนองในเกือบทางเดียวกัน (แปรปรวนต่ำ) สำหรับกรณีที่แตกต่างกันของเสื้อตั้งแต่ฟังก์ชั่นซึ่งแสดงตน

ผลลัพธ์ (ไทย) 3:

รูปที่ 2.1 : ภาพประกอบของการ trade-off ระหว่างอคติและความแปรปรวนเป็นฟังก์ชันของเวลาการฝึกอบรม
.
เข้าใจแนวคิดเหล่านี้เพิ่มเติม พิจารณาφฟังก์ชันของเราไม่รู้จัก ตัวอย่างการฝึกอบรมชุด T และสองตัวประมาณ , C และ S . C ประมาณดังนั้นชื่อเพราะมันยุ่งยาก
- มันมีจํานวนมากที่กำหนดค่า W . S ประมาณดังนั้นชื่อเนื่องจาก
มันง่าย ๆมันมีไม่กี่ค่อนข้างตัวแปร W . สมมติตอนนี้ T คือ นอก representable พื้นที่อเนกประสงค์ของ S แต่ภายในพื้นที่ที่สอดคล้องกันของ C . เรารู้ว่า C
สามารถพอดีกับหน้าที่ แต่มันอาจจะ overfit เพื่อการฝึกอบรมวันที่ T
และไม่ได้เป็นประมาณการที่ดีของφการทำงานที่แท้จริง . สำหรับตัวอย่างที่แตกต่างกัน สุ่มของข้อมูลการฝึกอบรม
,ประมาณการที่ซับซ้อนอาจอีกครั้ง overfit เพื่อผลิตเป็นสมมติฐานที่แตกต่างกันสำหรับแต่ละชุดที่แตกต่างกันของข้อมูลที่นำเสนอการฝึกอบรม
. มีความแปรปรวนสูง เกี่ยวกับการฝึก
ชุด แต่เพราะมันเหมาะกับแต่ละคนมาก ว่ากันว่า การตั้งค่าต่ำ ประมาณการง่าย S
จะไม่สามารถให้พอดีกับข้อมูลที ดังนั้นจะมีอคติสูง อย่างไรก็ตาม จะตอบสนองในเกือบ
เหมือนกัน ( ความแปรปรวนต่ำ ) สำหรับอินสแตนซ์ที่แตกต่างกันของ T , เนื่องจากการทำงานของ representable