Как объяснить bias–variance trade-off заказчику на примере глубины дерева?

Мелкое дерево стабильно, но грубо (bias); глубокое запоминает train (variance). На валидации ищем глубину/min_leaf, где ошибка минимальна; ансамбль деревьев режет variance.

Разбор

• Кривые train/val по сложности — наглядный график.
• Больше данных сдвигает оптимум к большей сложности.
• Шум меток ограничивает потолок.
• Стоимость ошибки FP/FN может сдвигать выбор модели.

Итог

Сложность модели — ручка баланса стабильности и гибкости под данные.