模型品質評估，偏差(Bias)與變異(Variance)的影響性
前言
在機器學習訓練模型的期間，可以利用偏差(Bias)與變異(Variance)的概念，來了解當前模型的品質與狀況，以下將簡述偏差與變異的意思，並說明四個象限的狀況與應對辦法。
偏差(Bias)
表示模型中的函數有錯誤的假設和推理，可以經過多次的訓練和調整來使模型更靠近最佳結果。
前向傳播（Forward Propagation）
從前向傳播階段中來解釋，意味著調整一個函數的bias ，使輸出結果更趨近最佳值。
變異(Variance)
表示模型對於資料的敏感程度，多訓練過度使模型產生過於苛刻的定義。
例子
以一個簡單的影像辨識例子來講述，當模型在訓練學習辨識狗的特徵時，會記住拆解狗不同部分的特徵值。但是當訓練過度時，以毛色紋路特徵來舉例，該模型可能會苛刻的判斷花紋需要完美的吻合，否則就不是該品種的狗。
四個象限
高變異，高偏差
一般代表模型缺乏訓練，或是模型難以理解問題，可能存在根本性的邏輯問題，以致無法正確的進行推理出合理的結果。
解決辦法:
- 從新設計模型本身結構
- 進行更多的訓練使模型學習到更多的特徵
高變異，低偏差
模型整體學到了資料的大致結構（偏差低），但是每次訓練的結果變化很大（變異高），模型的推理結果與目標相近，但是還存在一些不穩定性，處理過擬合（Overfitting）問題，增加泛化能力（High Variance）。
解決辦法:
- 透過正則化（Regularization）來降低維度
低變異，低偏差
表示模型理想目標，既可以高準確的預測最佳值，也具有一定的泛化能力（High Variance）。
低變異，高偏差
模型預測結果穩定，但對於最佳目標還存在一定的偏離，表示可能存在欠擬合(Underfitting)問題，透過調整模型和加強訓練，使模型能夠更準確的找到最佳結果。
解決辦法:
- 增加模型訓練次數與結構