泛化误差可分解为偏差² + 方差 + 不可约噪声。偏差是模型预测期望与真实值的差距，反映拟合能力；方差是模型对训练数据扰动的敏感程度，反映稳定性。简单模型高偏差低方差，复杂模型低偏差高方差，二者此消彼长，最优复杂度位于总误差最低点。
实践含义：高偏差（欠拟合）应提升模型容量、增加特征；高方差（过拟合）应加数据、加正则、做集成。Bagging（如随机森林）主要降方差，Boosting 主要降偏差，这是集成方法的理论解释。
易错点：认为偏差方差永远严格此消彼长——现代深度学习中出现双下降（double descent）现象，过参数化模型在插值点之后测试误差可再次下降，说明该权衡在大模型时代需要更细致的理解。追问方向：如何用实验估计偏差与方差？