誤差原因（Error）：用於測量模型效能的基本指標。

在模型預測中，模型可能出現的誤差來自兩個主要來源，即：因模型無法表示基本資料的複雜度而造成的偏差（bias），或者因模型對訓練它所用的有限資料過度敏感而造成的方差（variance）。

偏差：準確率和欠擬合

如果模型具有足夠的資料，但因不夠複雜而無法捕捉基本關係，則會出現偏差。這樣一來，模型一直會系統地錯誤表示資料，從而導致準確率降低。這種現象叫做欠擬合（underfitting）。

簡單來說，如果模型不適當，就會出現偏差。舉個例子：如果物件是按顏色和形狀分類的，但模型只能按顏色來區分物件和將物件分類（模型過度簡化），因而一直會錯誤地分類物件。

方差：精度和過擬合

在訓練模型時，通常使用來自較大訓練集的有限數量樣本。如果利用隨機選擇的資料子集反覆訓練模型，可以預料它的預測結果會因提供給它的具體樣本而異。在這裡，方差（variance）用來測量預測結果對於任何給定的測試樣本會出現多大的變化。

出現方差是正常的，但方差過高表明模型無法將其預測結果泛化到更多的資料。對訓練集高度敏感也稱為過擬合（overfitting），而且通常出現在模型過於複雜或我們沒有足夠的資料支援它時。

通常，可以利用更多資料進行訓練，以降低模型預測結果的方差並提高精度。如果沒有更多的資料可以用於訓練，還可以通過限制模型的複雜度來降低方差。

學習曲線與模型複雜度

學習曲線可以讓我們通過資料點來了解模型表現的好壞。

from sklearn.learning_curve import learning_curve # sklearn 0.17
from sklearn.model_selection import learning_curve # sklearn 0.18

learning_curve(
        estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_sizes)