偏差（Bias）
反映的是模型在样本上的输出与真实值之间的误差，即模型本身的精准度
方差（Variance）
反映的是模型每一次输出结果与模型输出期望之间的误差，即模型的稳定性。
高偏差导致欠拟合（underfitting）
高方差导致过拟合（overfitting）
直白说就是：bias是偏差，偏置，强调偏离，模型的预测值和真实数据离得老远，离谱的拟合结果，就是欠拟合
而方差则是输出的值互相离得老远，逐渐离谱，就是把数据全拟合上了，但是曲线贼离谱复杂，就是过拟合
方差
方差是衡量随机变量或一组数据时离散程度的度量。方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。统计中的方差（样本方差）是各个样本数据和平均数之差的平方和的平均数。在许多实际问题中，研究方差即偏离程度有着重要意义。
对于一组随机变量或者统计数据，其期望值（平均数）用E ( X ) E(X)E(X)表示，即随机变量或统计数据的均值， 方差的公式如下所示（对各个数据与均值的差的平方和再求平均数）： ———————————————— 有了方差为什么还需要标准差？ 可以看到标准差的概念是基于方差的，仅仅是求了一个平方根而已。那么为什么要造出标准差这样一个概念呢？
简单来说，方差单位和数据的单位不一致，没法使用，虽然能很好的描述数据与均值的偏离程度，但是处理结果是不符合我们的直观思维的。
而标准差和数据的单位一致，使用起来方便。内在原因就是方差开了一个平方，而标准差通过加了一个根号使得和均值的量纲（单位）保持了一致，在描述一个波动范围时标准差比方差更方便。 ———————————————
