No contexto do aprendizado supervisionado, o balanço (trade-off) entre viés (bias) e variância (variance)…

Modelos com elevado viés caracterizam-se por alta complexidade matemática, gerando baixo erro no treinamento e alto erro no teste.

Modelos com elevada variância produzem estimativas estáveis quando submetidos a diferentes conjuntos de treinamento, favorecendo a generalização.

O aumento da complexidade estrutural do modelo reduz simultaneamente o viés e a variância, otimizando o desempenho preditivo.

O equilíbrio entre esses componentes decorre do aumento da quantidade de parâmetros ajustáveis do algoritmo.

A redução de um dos componentes do erro tende a ser acompanhada pelo incremento do outro, exigindo um ponto de equilíbrio para minimizar o erro total.