О чем говорит высокий bias в bias-variance tradeoff

Высокий bias указывает на то, что модель слишком упрощена и не может уловить сложные закономерности в данных (недообучение). Это проявляется в высокой ошибке как на обучающей, так и на тестовой выборках.

Причины:

• Слишком простая архитектура модели (например, линейная регрессия для нелинейных данных).
• Недостаточное количество признаков.
• Слишком сильная регуляризация.

Как исправить:

• Увеличить сложность модели (например, добавить слои в нейросеть).
• Добавить новые признаки или полиномиальные преобразования.
• Уменьшить регуляризацию.

Пример:

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# Простая модель (высокий bias)
model = LinearRegression()
model.fit(X_train, y_train)
train_error = mean_squared_error(y_train, model.predict(X_train))
test_error = mean_squared_error(y_test, model.predict(X_test))
print(f"Bias: train error={train_error:.2f}, test error={test_error:.2f}")