机器学习模型。偏差和方差，对应欠拟合和过拟合关系

偏差和方差是机器学习中常用的两个概念，它们通常与模型的拟合能力和泛化能力相关。

偏差（Bias）指的是模型在训练数据上的误差。偏差较大的模型往往会欠拟合，即不能很好地拟合训练数据，导致训练误差较大。

方差（Variance）指的是模型在测试数据上的误差。方差较大的模型往往会过拟合，即在训练数据上表现很好，但在测试数据上表现较差，导致测试误差较大。

可以通过调整模型的复杂度来平衡偏差和方差。例如，当模型过于简单时，可以增加模型的复杂度来减小偏差；当模型过于复杂时，可以通过正则化等方法来减小方差。最终目的是找到一个泛化能力强的模型，即在训练数据和测试数据上都表现较好的模型。