Идеальным примером модели с низким смещением (bias) и малой дисперсией (variance) является ансамбль из бустинга (например, XGBoost или LightGBM) с правильно подобранными гиперпараметрами.

Пример с XGBoost:

from xgboost import XGBClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# Данные
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

Модель с регуляризацией (уменьшает дисперсию)

model = XGBClassifier(
n_estimators=100,
max_depth=3, # ограничение сложности
learning_rate=0.1,
subsample=0.8, # уменьшает переобучение
colsample_bytree=0.8,
reg_alpha=1, # L1 регуляризация
reg_lambda=1 # L2 регуляризация
)

model.fit(X_train, y_train)
y_pred = model.predict(X_test)
print(f"Accuracy: {accuracy_score(y_test, y_pred):.2f}")

**Почему это работает:**  
- **Низкое смещение**: бустинг последовательно исправляет ошибки, приближаясь к истинной зависимости.  
- **Низкая дисперсия**: регуляризация (`max_depth`, `subsample`, `reg_alpha/lambda`) и бэггинг-подобные техники (`colsample_bytree`) уменьшают переобучение.  

Для ещё большей стабильности можно добавить кросс-валидацию и подбор гиперпараметров.