Como funciona
O viés aparece quando o modelo faz suposições simples demais para representar o padrão que existe nos dados. Por isso, ele erra de forma parecida tanto nos exemplos usados no treinamento quanto em dados novos. Esse comportamento costuma estar associado ao underfitting, ou subajuste.
A variância mede quanto as previsões mudam quando o modelo é treinado com conjuntos de dados diferentes. Um modelo muito sensível pode memorizar detalhes e ruídos do conjunto de treino, mas falhar em exemplos que nunca viu. Esse quadro está ligado ao overfitting, ou sobreajuste.
O objetivo não é zerar uma medida isoladamente. A equipe busca um equilíbrio que permita aprender padrões úteis sem decorar os exemplos. A validação com dados separados ajuda a observar esse equilíbrio: compara-se o desempenho no treino com o desempenho em dados que não participaram do ajuste.
Exemplo prático
Imagine um sistema que classifica mensagens de suporte como urgentes ou comuns. Um modelo excessivamente simples pode marcar quase todas como comuns, mesmo quando há sinais claros de falha no serviço. Ele não captou os padrões importantes, então tem viés alto.
No outro extremo, um modelo pode aprender que uma mensagem é urgente apenas porque, no conjunto de treino, ela continha uma palavra ou um nome de cliente específico. Ao receber uma mensagem equivalente escrita de outro jeito, ele não reconhece a urgência. A previsão dependeu demais de detalhes particulares, indicando variância alta.
Para investigar, a pessoa responsável separa dados de treino e validação, verifica os tipos de erro e compara os resultados. Se ambos os conjuntos mostram desempenho fraco, pode ser necessário usar atributos mais informativos ou um modelo capaz de representar relações mais complexas. Se o treino vai bem e a validação piora, vale revisar a complexidade, ampliar ou diversificar os dados e aplicar técnicas de regularização.
Essas ações são hipóteses para teste, não receitas universais. Uma métrica agregada pode esconder erros relevantes, então é importante também examinar exemplos concretos e o impacto das classificações incorretas.
Para que serve
A distinção entre viés e variância ajuda a diagnosticar por que um modelo não generaliza bem. Ela orienta a próxima investigação: o sistema está simples demais para a tarefa, ou está reagindo demais aos exemplos disponíveis?
Esse raciocínio serve para classificação, previsão de demanda, detecção de fraude e outros problemas de aprendizado de máquina. Também evita ajustes aleatórios. Em vez de aumentar a complexidade por tentativa e erro, a equipe pode comparar treino e validação, conferir a qualidade dos dados e escolher experimentos que testem uma causa provável.
Viés e variância não substituem a avaliação do produto completo. Dados enviesados, mudanças no comportamento dos usuários e uma definição inadequada de sucesso também podem causar problemas. O diagnóstico precisa considerar a tarefa, os dados e o custo de cada tipo de erro.