机器学习准确率与人类的比较
当一个算法表现比人类好时，性能会逐渐达到某个理论上限，这就是贝叶斯最优错误率（bayes optional error）,是指理论上可以达到的最优错误率
可避免偏差
以猫分类器为例，假设人类错误率为1%，如果训练集和测试集错误率分别为8%和10%，我们会倾向与减少偏差，因为与人类1%的错误率相比，模型拟合并不好。因而我们可以训练更大的神经网络，或者跑久一点梯度下降。但如果人类错误率是7.5%，那么就没有太大的必要去降低错误率了。因为人类的错误率和贝叶斯最优错误率差不多，所以目前的错误率已经和贝叶斯的差不多了，即使我们加强训练，错误率也没有很大的提升，所以就不去管错误率了。
可避免偏差=模型的错误率-贝叶斯最优错误率（人类错误率）
可避免偏差代表了算法在方差问题上还有多少改善空间。
如何理解人的表现
以一个例子说明：对于一个医学CT的诊断，abcd分别是普通人、普通医生、专家、顶尖团队的错误率，这四类人的错误是不同的，那么应该以哪个作为人的”标准错误率“呢？ 一般认为，应该以最低的错误率为标准，即把顶尖团队的0.5的错误率看做贝叶斯最优错误率。