一句话定义：模型的预测误差通常来自两个源头——偏差（Bias）是模型本身太简单、系统性看错了规律；方差（Variance）是模型太敏感、把训练数据里的随机噪声也当成了规律。而这两者往往此消彼长，你很难同时把它们压到最低。
打个比方：学开车。 偏差大的学员，脑子里只有一条规则“方向盘往右打，车往右走”，别的不会。他每次开都稳定地开不好，教练换条路、换个车，他还是那样错——错得很一致。方差大的学员相反，他把教练今天说的每句话都背下来了，包括“这个路口有块砖要绕一下”。在同一条路线上他开得完美，换条路立刻手忙脚乱。前者是学得太少，后者是学得太死。
原理上，误差大致可以拆成三块：偏差的平方 + 方差 + 不可约噪声。模型复杂度往上走时，偏差下降（能表达的规律更多了），方差上升（对训练样本的波动更敏感）。总误差画出来是一条 U 形曲线，最优点在中间偏低的位置。左边的区域叫欠拟合（underfitting），右边的区域叫过拟合（overfitting）。
| 对比项 | 高偏差（欠拟合） | 高方差（过拟合） |
|---|---|---|
| 训练集表现 | 差 | 很好 |
| 验证集表现 | 差 | 差，且明显比训练集差 |
| 病因 | 模型太简单、特征太少 | 模型太复杂、数据太少 |
| 优先动作 | 换更强模型、加有效特征、减弱正则 | 加数据、加正则、简化模型、早停 |
和相邻概念的区别容易混，记一句话就够：欠拟合/过拟合是症状，偏差-方差是病因层的解释；正则化（regularization）不是消灭方差，而是主动引入一点偏差去换方差大幅下降——L1、L2、AI 词典：Dropout">Dropout、早停都是这个套路。另外要注意，加数据主要降的是方差，对偏差几乎无救；而“不可约误差”来自标签噪声或信息本身不足，再怎么调模型也降不下去。
对从业者： 先别急着调参，先看训练误差和验证误差的差距。差距大 → 方差问题，优先加数据、加正则；两个都高 → 偏差问题，加数据基本白费力气。这一条判断就能省掉很多无效实验。
对普通职场人： 这个框架可以搬出机器学习之外。一个团队反复出错，也分两种——是流程本身设计歪了（偏差），还是每次结果全看运气和人手（方差）？前者要改流程和标准，后者要加样本、定规范、降低随机性。解法完全不同，先分清是哪种，再动手。
最后提醒一句：在深度学习里，这条曲线并不总是标准的 U 形，大规模模型上偶尔会出现继续变大、测试误差反降的“双下降”现象。所以把它当成思考工具，而不是铁律。