---
title: "偏差方差權衡（Bias-Variance Tradeoff）"
slug: bias-variance-tradeoff
language: zh-TW
source: https://aiterms.tw/terms/bias-variance-tradeoff
updated_at: 2026-04-29
tags: [機器學習, 模型訓練, 模型評估, 統計方法, 最佳化]
ipas_term: false
---

# 偏差方差權衡（Bias-Variance Tradeoff）

> **你在比較一個模型訓練集很高、驗證集卻掉很多的時候，你會怎麼判斷它真正的作用？**
>
> 你可以把它想成 偏差方差權衡是指在模型訓練中，降低偏差會增加方差，反之亦然。目標是找到一個平衡點，使模型在未見過的數據上表現良好。
>
> 在 你在比較一個模型訓練集很高、驗證集卻掉很多的時候 這種情境裡，這個概念會直接影響你怎麼設計、怎麼評估、怎麼上線。

### 容易混淆
> **偏差 vs 方差**
> 偏差高代表模型太簡單，方差高代表模型對資料變動太敏感。
>
> **偏差方差權衡 vs 過擬合**
> 過擬合是方差偏高的常見結果，權衡是在找兩者的平衡點。
>
> **偏差方差權衡 vs 正則化**
> 正則化是調整權衡的工具，不是權衡本身。

### 記住這句就好
> 先看它要解決的是什麼問題，再看它是不是最合適的方法。

### 實際案例
> **案例 1：小資料集上的深度模型**
> 模型參數很多時，訓練集可能很漂亮，驗證集卻掉很快，這就是方差過高。
>
> **案例 2：只用線性模型做複雜任務**
> 模型太單純，連訓練資料都學不夠，這就是偏差過高。

### 算法與應用
> | 面向 | 重點 |
> |---|---|
> | 偏差 | 模型的平均預測離真值有多遠，偏差高常見於欠擬合。 |
> | 方差 | 模型對訓練資料變動有多敏感，方差高常見於過擬合。 |
> | 調整 | 資料更多、模型更複雜、正則化、早停、交叉驗證都會影響平衡。 |

### 情境判斷
> **Q1（判斷題）：** 訓練集和驗證集都很差，這通常代表什麼？
> → 多半是偏差太高，模型學得太少或特徵不夠。
>
> **Q2（判斷題）：** 訓練集很高、驗證集掉很多，該先懷疑什麼？
> → 先懷疑方差太高，也就是模型太容易記住訓練資料。

### 常見問題
> **Q：要怎麼降低方差？**
> 可以加資料、做正則化、簡化模型、提早停止訓練。
>
> **Q：要怎麼降低偏差？**
> 可以增加模型容量、加入更好的特徵，或換更能表達關係的模型。
>
> **Q：這個權衡只能二選一嗎？**
> 不是絕對二選一，但在固定資料與算力下，通常只能往一邊挪一點，再觀察另一邊的代價。

### 相關術語
> - **偏差**：先讀這個，能幫你把主題放進更大的脈絡裡。
> - **過擬合**：先讀這個，能幫你把主題放進更大的脈絡裡。
> - **欠擬合**：先讀這個，能幫你把主題放進更大的脈絡裡。
> - **泛化能力**：先讀這個，能幫你把主題放進更大的脈絡裡。
> - **正則化**：先讀這個，能幫你把主題放進更大的脈絡裡。

---

來源：https://aiterms.tw/terms/bias-variance-tradeoff
快查頁：https://aiterms.tw/terms/bias-variance-tradeoff
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-bias-variance-tradeoff