Viés e Variância são dois conceitos fundamentais em Aprendizado de Máquina que desempenham um papel importante na seleção de modelos e otimização de desempenho.
O viés é uma medida de quão bem um modelo captura com precisão a relação subjacente entre os dados de entrada e o resultado esperado. Um modelo com um viés elevado pode ser excessivamente simplista e ignorar padrões importantes nos dados, levando a um desempenho insatisfatório quando aplicado a novas situações. Pelo contrário, um modelo com baixo viés pode ser demasiado complexo, conduzindo a sobreajustes e a previsões menos estáveis.
A variância, por outro lado, mede o quanto as previsões de um modelo variam com base nos dados fornecidos. Um modelo com alta variância tende a ser excessivamente sensível a pequenas alterações nos dados de treinamento, tornando difícil generalizar além do conjunto de dados fornecido. Por outro lado, um modelo com baixa variância oferecerá previsões mais robustas, mas poderá não ser tão preciso na captura de toda a gama de dados.
O modelo ideal deve encontrar um equilíbrio entre viés e variância; Muito de qualquer um deles pode levar a um desempenho inferior. Isso costuma ser chamado de Tradeoff Bias-Variance, que fornece uma diretriz importante na otimização de qualquer modelo de aprendizado de máquina.
