你训了一个模型：训练集误差 2%，测试集误差 15%。你把模型复杂度提上去（比如把树加深、把特征数从 20 加到 200），训练误差降到 0.5%，测试误差反而升到 18%。请说明这个过程中偏差和方差分别是什么表现、为什么测试误差会升高，以及你下一步会往哪个方向调。

面试官在考什么

能否把偏差/方差和「训练误差水平」「训练-测试误差差距」这两个可观测量对应起来，并用它决定调参方向，而不是只会背「欠拟合/过拟合」两个词。

偏差方差权衡

回答框架 · 前两步

1. 偏差是模型假设与真实关系的系统性偏离，直接体现在训练误差本身的高低上；方差是模型对训练集扰动的敏感度，体现在训练误差与测试误差的差距上。
2. 当前现象是训练误差极低而测试误差高、两者差距大，属于方差主导；提高复杂度会让偏差继续下降、方差明显上升，方差上升幅度超过了偏差下降，所以测试误差升高。

延伸阅读

• 技术面到底在考什么：三类考点的及格线与加分线
• 避坑与冲刺：简历自洽、六种扣分话术、D-7 准备表

想看这个方向的整体准备路线？ 进入「机器学习基础」方向页

同一能力域的其他题

• 请解释偏差-方差权衡。如果一个模型训练误差很低、测试误差很高，你会怎么处理？
• L1 和 L2 正则的区别是什么？为什么 L1 能产生稀疏解？从几何角度解释一下。
• 样本极度不平衡（正样本 1%）时，你会怎么评估和建模？为什么不能只看准确率？
• 交叉验证有哪些方式？时间序列数据为什么不能用随机 K 折？你实际项目里怎么切？
• 你的模型预测概率偏高或偏低（校准差），怎么发现、怎么修？为什么 AUC 高不代表概率准？
• 线上服务要你对一个模型做上线前的效果预估，但没法直接做 A/B，你会怎么估？有多大把握？