- 本文首发自公众号：RAIS
前言
本系列文章为 《Deep Learning》 读书笔记，可以参看原书一起阅读，效果更佳。
估计
统计的目的是为了推断，大量的统计是为了更好的推断，这就是一种估计，一种根据现有信息对可能性的一种猜测。
- 点估计：点估计指的是用样本数据估计总体的参数，估计的结果是一个点的数值，因此叫做点估计。这个定义非常宽泛，(hat{ heta}_m=g(x_1, x_2, ..., x_m))，其中几乎对 g 没有什么限制，只是说比较好的 g 会接近真实的 θ。
- 函数估计：是一种映射关系，如 (y=f(x)+ϵ)，其中 ϵ 是从 x 中预测不出来的，我们不关心，我们关心的是函数估计 f，函数估计是一种从输入到输出的映射关系。
偏差
估计的偏差定义为：(bias(hat{ heta}_m)=E(hat{ heta_m})- heta)，这很好理解，估计与实际值之间的距离就是偏差，如果偏差为 0，则(hat{ heta})是( heta)的无偏估计，如果在 m 趋近于无穷大时，偏差趋近于 0，则(hat{ heta})是( heta)的渐进无偏。
方差
上面我们用估计量的期望来计算偏差，我们还可以用估计量的方差度量估计的变化程度，我们希望期望这两个值都较小。
对于高斯分布来说，我们有：
- 样本均值 (hatμ_m=frac{1}{m}sum_{i=1}^mx^{(i)}) 是高斯均值参数 μ 的无偏估计;
- 样本方差 (hatσ_m^2=frac{1}{m}sum_{i=1}^m(x^{(i)}-hatμ_m)^2) 是 (σ^2) 的有偏估计；
- 无偏样本方差 (hatσ_m^2=frac{1}{m-1}sum_{i=1}^m(x^{(i)}-hatμ_m)^2) 是 (σ^2) 的无偏估计；
无偏样本方差显然是比较不错的，但是并不总是最好的，有时候某一些有偏估计也是很好的。比如在机器学习中，均值标准差就非常有用：
[SE(hatμ_m)=sqrt{Var[frac{1}{m}sum_{i=1}^mx^{(i)}]}=frac{σ}{sqrt{m}}
]
或者写成
[σ_{overline X}=sqrt{Var(overline X)}=sqrt{frac{1}{m}Var(X)}=frac{σ}{sqrt{m}}
]
均方误差（MSE）
[MSE=E[(hatθ_m-θ)^2]=Bias(hatθ_m)^2+Var(hatθ_m)
]
鱼和熊掌不可得兼，偏差和方差度量着估计量的两个不同误差来源，偏差度量着偏离真实函数或参数的误差，方差度量着数据上任意特定采样可能导致的估计期望的偏差，两个估计，一个偏差大，一个方差大，怎么选择？选择 MSE 较小的，因为 MSE 是用来度量泛化误差的。偏差和方差之和就是均方误差：
总结
本篇主要介绍了估计、偏差和方差，可以用来正式的刻画过拟合。
- 本文首发自公众号：RAIS