机器学习-偏差、方差、均方误差，清楚简单的解释！！！！
输入 (X0, y0)
假设有5个训练集，那么这五个训练集最终就可以得到五个模型。
五个模型中分别输入特征X0，就可以得到五个不同的 f ^ \widehat{f} f (X0),这里我表示为 f ^ \widehat{f} f 1(X0)， f ^ \widehat{f} f 2(X0)， f ^ \widehat{f} f 3(X0)， f ^ \widehat{f} f 4(X0)， f ^ \widehat{f} f 5(X0)
可以求得这五个模型的均差为：E（ f ^ \widehat{f} f (X0)）=1/5( f ^ \widehat{f} f 1(X0)+ f ^ \widehat{f} f 2(X0)+ f ^ \widehat{f} f 3(X0)+ f ^ \widehat{f} f 4(X0)+ f ^ \widehat{f} f 5(X0))
则求其偏差为：（Bias):
Bias( f ^ \widehat{f} f (X0))= E（ f ^ \widehat{f} f (X0)）- y0
方差：（variance):
var f ^ \widehat{f} f (X0)= 1/5( （ f ^ \widehat{f} f 1(X0)-E( f ^ \widehat{f} f (X0) )2 + ( f ^ \widehat{f} f 2(X0)-E( f ^ \widehat{f} f (X0) )2 + ( f ^ \widehat{f} f 3(X0)-E( f ^ \widehat{f} f (X0) )2 +（ f ^ \widehat{f} f 4(X0)-E( f ^ \widehat{f} f (X0) )2+( f ^ \widehat{f} f 5(X0)-E( f ^ \widehat{f} f (X0) )2 )
均方误差：E(MSE)=var( f ^ \widehat{f} f (X0))+ [Bias( f ^ \widehat{f} f (X0))]2+var( ϵ \epsilon ϵ）
