偏差與方差主要與兩個因素有關：訓練集誤差（train set error）、驗證集誤差（dev set error）
接下來舉例說明：
1、高方差（數據過擬合）：假設訓練集誤差為1%（很小）、驗證集誤差為16%（較大），說明訓練時數據過擬合，在某種程度上，驗證集並沒有充分利用交叉驗證集的作用，所以驗證時誤差過大，這種情況稱為高方差。
所謂過擬合就是訓練時結果很好，但預測時結果不是很好的現象，產生過擬合的原因通常為以下幾點：
- 模型的復雜度太高。比如：網絡太深，
- 過多的變量（特征）
- 訓練數據非常少。
高方差（數據過擬合）解決辦法：（1）增大數據集；（2）降低模型復雜度；（3）增大正則化系數λ；（4）通過特征選擇減少特征數（維數）。
2、高偏差（欠擬合）：假設訓練集誤差為15%（較大），驗證集誤差為16%（較大，但相較於train set error是合理的），雖然訓練集的誤差就很大，但是驗證集的誤差相對訓練集在合理范圍內提升了一點，說明模型合理，但是數據欠擬合，這種情況稱為高偏差。
[注]:此分析是假設預測的，如果最優誤差很高為15%，則訓練集誤差為15%，驗證集誤差為16%的例子是較為理想的。
欠擬合一般是模型比較簡單，不能准確的描述數據特征，因此盲目增大數據量是沒用的，通常解決辦法為：（1）增加數據特征數；（2）添加高次多項式特征；（3）減少正則化系數λ。
3、高偏差、高方差：假設訓練集誤差是15%，偏差相當高，但是，驗證集的評估結果更糟糕，錯誤率達到30%，在這種情況下，這種算法偏差高，因為它在訓練集上結果不理想，而且方差也很高，這是方差偏差都很糟糕的情況。
4、低偏差、低方差：假設訓練集誤差是0.5%，驗證集誤差是1%，偏差和方差都很低，是為理想情況。