说白了就是训练集决定偏差，而测试集决定方差。这里要理解训练集和测集无非都是一些数据集，还有就是机器学习的最终目的是为了找到真实模型（可以处理一个问题的所有数据），但是真实模型一般没办法直接得到，所以只能用一定数据训练出来的模型去泛化得到近似的真实模型。上图的error应该都是指相对于真实值的误差。如果训练集的error较大，就说明当前模型对训练集的预测结果不好，就说明当前模型在训练集的数据下的预测结果与真实值差距较大，所以就是偏差较大，而一般训练集差距大那么测试集差距也会很大，就是上面的第二种情况，这种情况说明当前模型训练程度不够，无法正确判断，就是对训练集欠拟合；而当训练集误差很小的时候，说明当前模型对训练集的预测结果已经很正确了，就是偏差较小，但是如果此时测试集的误差较大，就说明当前模型只是对训练集的拟合效果较好，或者说已经学习过多了导致对训练集一些数据的特性敏感，导致当换一组数据（测试集）进行测试时就会导致误差较大，就说明当前的模型对不同数据的轻微变化反应是较大的，也就是仅适用于训练集，就是对训练集过拟合，此时偏差较小，但是方差较大。总而言之，要让偏差小，就要让模型多训练，去更好地预测真实结果。要让方差小，就要让模型具有当前问题的共性，就是不对特定数据敏感，也就是要少训练。所以引入了一个dev集不同于训练集的目的就是为了测试当前模型的泛化程度。通过训练集测试说明偏差小（可以处理当前问题）；通过dev集测试说明方差小（可以处理当前问题的所有数据）。所以通过dev集的测试要去修改超参数如学习率等来控制对训练集的学习程度，不能太低（造成偏差高），也不能太高（造成方差高）