核心要点
解释偏差与方差含义
总泛化误差分解
列举降低偏差/方差手段
简要回答
偏差是系统性偏离（欠拟合）；方差是对训练集波动敏感（过拟合）。增加复杂度降偏差升方差，反之亦然。
标准回答
一、先把结论讲清楚
偏差是模型系统性预测错方向，常见表现是训练集和验证集都差；方差是模型对训练集波动太敏感，常见表现是训练集好、验证集差。
二、拆开机制和判断点
经典分解可以记成 Error = Bias² + Variance + Noise。高偏差要加强模型、特征或训练；高方差要加正则、更多数据、集成或降低模型复杂度。
三、补上例子、边界和取舍
可以用打靶类比帮助表达：偏差是准星偏，方差是散布大。工程上还要结合学习曲线和验证集切片判断，而不是只凭一个总指标下结论。
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：只背概念不会举例；混淆相似术语；忽略工程落地约束。
追问
追问 1：深度学习时代偏差-方差权衡还适用吗？
适用但表现复杂，存在双下降（double descent）：模型过大时测试误差可能再次下降。不能仅用经典权衡解释，但诊断思路仍有参考价值。
追问 2：如何用学习曲线诊断？
题库专题：如何用学习曲线诊断欠拟合与过拟合？画训练/验证曲线：两条都高→高偏差；训练低验证高→高方差。据此决定增数据、正则或增模型容量。
题库延伸：与本追问相关的专题题 → 如何用学习曲线诊断欠拟合与过拟合？
追问 3：Bagging 和 Boosting 对偏差方差的影响？
题库专题：集成学习中 Bagging 与 Boosting 有什么区别？可以直接说：Bagging 更偏向降方差，Boosting 更偏向降偏差，但二者都不是绝对的。Bagging 通过对数据重采样训练多个相对独立的模型，再做平均或投票，能把单棵树这类高方差模型稳定下来；随机森林就是典型例子。Boosting 则是一轮轮盯着前一轮犯错的样本，让弱模型逐步补短板，所以常能把欠拟合压下去，但也更容易过拟合噪声。项目里如果单模型波动大，可以先试 Bagging；如果基线明显欠拟合，再考虑 Boosting，并配合学习率、树深和早停控制风险。
题库延伸：与本追问相关的专题题 → 集成学习中 Bagging 与 Boosting 有什么区别？
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习