在机器学习领域中，泛化效果的评估在实际中特别重要，它指导着如何选择学习方法或模型，并且给了我们对最终选择的模型质量的一个度量。

本次讨论班将从偏差、方差以及模型复杂度的关系出发，描述相关概念并举例说明评估泛化效果的重要方法。其中主要分为两类：第一类通过大样本性质估计预测误差，如AIC，BIC，SRM等，第二类则是通过有效的样本重抽样，即交叉验证、自助法等。除了展示这些方法是如何选择模型之外，我们还将讲述每个方法对最终选择模型的测试误差的估计的可靠性程度，为日后面临实际模型选择打下理论基础。