Компромисс смещения и дисперсии описывает связь между ошибками, вызванными чрезмерно простыми предположениями, и ошибками, вызванными чувствительностью к обучающим данным. Модели с высоким смещением могут недообучаться, пропуская важные закономерности, тогда как модели с высокой дисперсией могут переобучаться, захватывая шум. Эффективное проектирование модели стремится к балансу, который хорошо обобщается на невидимые данные.
In statistics and machine learning, the bias–variance tradeoff is the property of a set of predictive models whereby models with a lower bias in parameter estimation have a higher variance of the parameter estimates across samples, and vice versa.