在AI的决策过程中，什么是“偏差-方差权衡”?(2.0)A. 选择最优特征B. 控制模型复杂度C. 减少数据噪声D. 平衡预测误差的来源

偏差-方差权衡是机器学习模型评估中的核心概念，主要考查对模型误差来源的理解。

• 偏差（Bias）反映模型的系统性误差，即模型预测值与真实值的平均差异。高偏差通常导致欠拟合（模型太简单）。
• 方差（Variance）反映模型对训练数据波动的敏感性，即随机误差。高方差通常导致过拟合（模型太复杂）。
  权衡关系：模型复杂度越高，方差降低但偏差可能增加；反之，复杂度越低，偏差降低但方差可能增加。核心目标是找到两者的平衡点，优化模型泛化能力。

选项分析

• A. 选择最优特征：属于特征工程，与模型选择相关，但未直接回答偏差-方差权衡的定义。
• B. 控制模型复杂度：虽然模型复杂度影响偏差和方差，但题目问的是“权衡本身”，而非如何控制。
• C. 减少数据噪声：噪声属于数据问题，与偏差-方差权衡的误差分解无关。
• D. 平衡预测误差的来源：正确。预测误差由偏差、方差和噪声组成，权衡即平衡偏差与方差的贡献。