bias и variance идут парой для объяснения типа ошибок в машинном обучении.
bias означает сдвиг, т.е. модель систематически ошибается в одну сторону для группы значений. Высокий bias говорит о том, что модель недостаточно гибкая, она не смогла извлечь всю информацию о закономерностях в данных.
variance означает разброс, т.е. модель обучилась "лишнему" и может выдавать слишком разные значения на близких данных. Высокий variance говорит о том, что модель слишком гибкая, она уже пробует выучить шум в данных, а не реальные закономерности.
Чтобы понять, bias или variance являются основной проблемой для текущей модели, нужно сравнить качество на обучающей и тестовой выборке. Если качество почти одинаковое, значит variance низкий (и, возможно, большой bias), нужно попробовать увеличить сложность модели, ожидая получить улучшение и на обучающей и на тестовой выборках. Если качество на тестовой выборке сильно хуже, чем на обучающей, значит variance слишком высок, и нужно упрощать модель и/или добавлять регуляризацию и/или больше данных.