Waarom is dit belangrijk?
Teams kunnen met de bias-variantie-afweging vooraf bepalen hoe strak een computermodel mag aansluiten, zodat de totale fout beperkt blijft. In de zorg weegt die keuze mee bij modellen die op röntgenfoto's van de pols een botbreuk moeten herkennen. Voor artsen en patiënten kan een scheve afstelling een breuk onopgemerkt laten of bij dezelfde foto wisselende uitslagen geven, met kans op een onjuiste diagnose.
Zo werkt het in de praktijk
Analisten in de financiële sector toetsen de bias-variantie-afweging aan modellen voor aandelenkoersen. Een studie met supportvectormachines op de Dow Jones Industrial Average zag sterke schommelingen bij kleine wijzigingen in de instellingen. Ontwerpers van convolutionele netwerken voor beelden sturen die afweging via de netwerkopbouw.
Onderzoekers kijken of deze klassieke afweging ook geldt voor zeer grote modellen. Een artikel in PNAS beschrijft een foutcurve met twee dalingen. Na het punt waarop het model de trainingsset exact volgt, daalt de fout op nieuwe gegevens weer.
Teams koppelen de bias-variantie-afweging aan kruisvalidatie, een test op wisselende stukken data. Zo kiezen zij hoe complex het model mag zijn. Bij lasso en ridge-regressie komt er bewust bias bij, zodat de uitkomsten minder schommelen.




