Model zapamiętujący dane treningowe zawodzi w nowych przykładach. Model ignorujący niuanse całkowicie pomija wzorce. Napięcie między tymi trybami awarii to kompromis między odchyleniem a wariancją, który wpływa na niemal każdą decyzję w uczeniu maszynowym.

Błąd systematyczny mierzy błąd wynikający ze zbyt prostych założeń. Wysoki błąd systematyczny oznacza niedopasowanie. Wariancja mierzy wrażliwość na niewielkie fluktuacje w danych treningowych. Wysoka wariancja oznacza przeuczenie. Błąd całkowity łączy oba te czynniki, a także nieredukowalny szum.

Typowe sygnały

• Wysoki błąd szkolenia, wysoki błąd testowania, niedopasowanie
• Niski błąd szkolenia, wysoki błąd testowania, nadmierne dopasowanie
• Oba modele niskie i dobrze dopasowane
• Oba wysokie, zły model rodziny

Współczesna praktyka komplikuje klasyczną krzywą. Duże sieci neuronowe mogą jednocześnie osiągać niskie odchylenie i niską wariancję, czego nie przewidywała starsza teoria. Regularyzacja, większa ilość danych i zestawianie wyników pozostają standardowymi narzędziami zarządzania kompromisem.