汪老师，您在讲model bias & variance的时候提到了对于同样的X, train data 变化了，predicted y就也会变化因为parameter estimation在不同的train data不同。请问怎么理解这个同样的X? 是指的同样的feature么 (e.g., age, gender)？如果连feature的值也都是固定的，那就等于model就固定了也不会有变化了。谢谢！
这里说的"同样的X"，指的是model做prediction的时候要预测的数据X，它不同于你说的 “training data”。当我们讨论model bias & variance的时候，我们用model space的概念去理解模型error。也就是说，当training data有变化的时候，对应得到的模型就有变化。那么对于一个固定的要预测的数据X，不同的模型就会得到不同的output Y。
好的 谢谢。所以这个error指的是test error/generation error是吧。那一般不会对train error 进行分析，做variance-bias decomposition之类的？
研究training data的variance是没有太大意义的。核心原因在于：training data是有限的，所以training error里面的variance就没啥意义了，因为它的generalization最多拓展到你现有的这些training data。