下载掌阅APP，畅读海量书库
立即打开
模型偏差可能会影响模型训练.举个例子，假设模型过于简单，把
代入一个有未知参数的函数，可以得到函数
，同理可得到另一个函数
. 把所有的函数集合起来，可以得到一个函数的集合.但该函数的集合太小了，可以让损失变低的函数不在模型可以描述的范围内，见图2.1.在这种情况下，就算找出了一个
，虽然它是这些蓝色函数里面最好的一个，但损失还是不够小.这就好比想要在水盆里捞针（一个损失低的函数），结果针根本就不在水盆里.
图2.1 模型太简单的问题
可以重新设计一个模型，并给模型更大的灵活性.其中一个做法是增加输入的特征.以第1章的预测未来观看次数为例，若能提供前56天的信息，模型的灵活性就比只提供前1天信息时强，见图2.2. 另一个做法是利用深度学习，提升网络的灵活性.即便如此，也不意味着训练的时候损失大就一定要归咎于模型偏差，还可能是因为优化做得不好.
图2.2 增加模型的灵活性