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
偏差-方差权衡是机器学习中模型复杂选择的核心问题。总误差可分解为：Error = Bias² + Variance + Noise。
偏差（Bias）：模型系统性偏离真实值，通常是欠拟合的表现。高偏差时模型过于简单，无法捕捉数据规律。
方差（Variance）：模型对训练集波动敏感，通常是过拟合的表现。高方差时模型过于复杂，记住了噪声而非规律。
权衡策略：增加模型复杂度可降低偏差但升高方差；降低复杂度则相反。常用诊断方法是打靶类比：偏差是准星偏，方差是散布大。
常见误区
⚠️ 常见踩坑
把「方差」误当成特征/数据的统计方差——这里指模型对训练集变动的敏感度。另一误区是以为增加数据能同时降低偏差和方差：更多数据主要降方差，对系统性偏差（模型本身太简单）几乎无效。
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？
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。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。