النموذج الذي يحفظ بيانات التدريب يفشل في التعامل مع الأمثلة الجديدة. أما النموذج الذي يتجاهل الفروق الدقيقة فيفوته فهم الأنماط تمامًا. يكمن التوتر بين هذين النمطين من الفشل في المفاضلة بين التحيز والتباين، وهي تؤثر في كل قرار تقريبًا في مجال التعلم الآلي.

يقيس الانحياز الخطأ الناتج عن الافتراضات المبسطة للغاية. يشير الانحياز العالي إلى نقص التوافق. يقيس التباين الحساسية للتقلبات الطفيفة في بيانات التدريب. يشير التباين العالي إلى فرط التوافق. يجمع الخطأ الكلي بين كليهما، بالإضافة إلى الضوضاء غير القابلة للاختزال.

الإشارات النموذجية

• خطأ تدريب مرتفع، خطأ اختبار مرتفع، نقص في التوافق
• خطأ تدريب منخفض، خطأ اختبار مرتفع، فرط التخصيص
• كلا الطرازين منخفضان ومناسبان تمامًا
• كلاهما مرتفع، نموذج عائلة خاطئ

تُعقّد الممارسات الحديثة المنحنى الكلاسيكي. إذ يمكن للشبكات العصبية الكبيرة تحقيق انحياز منخفض وتباين منخفض في آنٍ واحد، وهو ما لم تتوقعه النظريات القديمة. ولا تزال تقنيات التنظيم، وزيادة البيانات، والتجميع أدوات قياسية لإدارة هذه المفاضلة.