Machine learning 在偏差-方差困境中，假设和不一致意味着什么？

我正在阅读有关机器学习的书籍，试图理解偏差和方差的含义。我已经阅读了这些文章（，），但仍有一些问题：

偏差：

该模型存在偏差，因为它假设数据将以一种特定的方式运行 某种形式（线性、二次等），即使该假设 可能不是真的

“假设”是什么意思？我们选择要使用的模型。如果我们选择一个线性模型，那么它将尝试拟合它所能做的最佳直线

差异：

方差衡量的是一个人的预测有多不一致 在不同的训练集上进行另一次训练

如果我们使用不同的训练集，为什么它应该是一致的？如果我们使用猫的数据，它将给出一个预测。如果我们使用狗的数据，它会给我们不同的预测。或者，他们是否意味着，当我们向训练集添加更多的观测值时，预测应该会得到改进，而不是模型现在给我们的预测与以前不同

---

1-假设只是他们解释模型中函数近似的方式。例如，假设数据集的实际底层函数是

y=2x+10

，当我们为此任务选择线性模型时，我们的模型近似于

y=3x+9

。另一个线性模型将近似于

y=2.5x+10

。假设是一个隐喻，他们用来表示线性模型所做的函数近似-而不是我们为这项任务选择线性模型所做的假设。2-我不清楚：

方差衡量不同训练集上彼此预测的不一致程度。以下是我对差异的看法：当您试图将模型过度拟合到训练集时，就会出现差异。假设我们有一个来自底层分布的非线性2D数据集
y=x^3
，在
（0,50）
周围有一些异常值，而在
（0,0）
周围没有其他异常值。我们训练我们的模型，直到我们的模型逼近一个与训练集精确匹配的函数（一条穿过所有点的曲线）。但是我们不知道我们数据的基本函数只是一个
y=x^3
函数现在，当我们通过呈现一些属于
y=x^3
分布的测试数据来评估模型时，模型将预测
x
值在0左右的50左右；因为当
x
约为0时，模型无法通过认为上述异常点代表基础数据的实际行为来进行概括。当这种情况发生在多个地区时，该模型将预测（在tets数据上）与基础分布不相似的结果，同时在训练数据上实现几乎完美的性能。除此之外，我认为这个问题更适合交叉验证。@akilat90，但即使是维基百科也说，偏见是学习算法中错误假设造成的错误。

。那么，这种情况下的假设是什么？