2018-05-28更新：考虑用ensemble方法降低模型bias 和 variance
偏差：即模型在训练时候，衡量模型拟合程度的变量，训练期间拟合的越好，偏差越小，模型也会变得越复杂。但是，并不是偏差越小越好，因为过小的偏差往往就是过拟合情况；过拟合会造成什么影响，为什么大家都担心自己的模型会陷入过拟合情况？
解释如下：模型发生过拟合之后，将会失去泛化能力，又有小伙伴会好奇，什么是泛化能力？在实际工程中，我们训练一个模型，目的不是在训练集上表现的完美，而是希望它在测试集（现实数据中）表现的好，模型的泛化能力是指：模型对其他分布数据依然有较强的预测能力，也就是模型的预测平滑性。如果模型泛化能力低，那么现实数据中或者测试集上将会产生一个较大的方差，模型也就会失去预测的能力；并且，根据吴恩达教授的推导的方差估计理论：方差与偏差是相互关联量，网上有相关推导（PAC），模型误差=偏差+方差，这也是一个常用的误差变形，并且，在这两个变量中存在同一反置影响因素，也就是模型复杂度参数，所以会造成上述现象，我们一直在寻找的就是权衡两个之间的那个模型复杂度参数
方差：正如前文所述，是衡量模型在测试集上的表现，通常情况下，我们需要的是低的方差（数据样本失衡情况需要考虑召回率、准确度等指标）；
正则化：机器学习模型，可以理解为在已知数据和模型的情况下，求模型参数的过程，即：Af = g 其中g是数据，A是模型，f参数；然而实际生活中，这个求解过程是一个不适定问题，存在多个解，或者说无法求解。因此，我们就需要将模型参数求解过程进行转换，正则项是转化过程中常用的一种手段（或者有人理解是正则项是用来克服过拟合问题的）；但是我们回到最初的求解过程，为什么正则项能够克服过拟合问题呢？
解释：常见的L1、L2正则，就是在数学表达式上对模型进行一定的惩罚，取整个模型复杂度和其范数的极小化值，能够防止模型过度复杂，导致过拟合。L1与L2的区别在于：L1正则会惩罚若干项系数为0，降低模型方程阶次，使得其更加趋于线性化；而L2惩罚是将若干项系数赋予一个极小数，降低模型的复杂程度，使得模型曲线化、平滑化。
在Ensemble 中，常见的两个方法就是bagging和boost，前者能够降低模型的方差，后者能够降低模型的偏差；
原理：Bagging采样方法，能够生成若干子模型，虽然是有放回采样，但是模型之间的相关性是存在的，通过集成若干模型，能够降低方差，可以看如下误差公式：
通过增加m，可以减少后者，以达到降低方差的目的；对于Boost方法而言，在拟合的过程中，通过下一个模型的生成，或者样本的加权， 以减小模型训练时产生的bias。PS：随机森林方法，很好的结合了两者优势。