Update ch21.md (#38)

Author: nutllwhy

_docs/Bias and Variance/ch21.md

@@ -3,32 +3,32 @@ title: 偏差和方差举例
 permalink: /docs/ch21/
 ---
 
-考虑我们的猫分类任务：一个“理想的”分类器（比如人类）在这个任务中可能取得近乎完美的表现。
+思考一下，我们的“猫分类”任务目标：一个“理想的”分类器（比如人类）在这个任务中能够取得近乎完美的表现。
 
 假设你的算法表现如下：
 
 - 训练错误率 = 1%
 - 开发错误率 = 11%
 
-存在什么问题呢？根据前一章的定义，我们估计偏差为 1%，方差为 10%（=11%-1%）。因此，它有一个很高的方差（**high variance**）。虽然分类器训练误差非常低，但是没能成功泛化到开发集上。这也被叫做过拟合（**overfitting**）。
+这其中存在什么问题呢？根据前一章的定义，我们估计偏差为 1%，方差为 10%（=11%-1%）。因此，它有一个很高的方差（**high variance**）。虽然分类器的训练误差非常低，但是并没有成功泛化到开发集上。这也被叫做过拟合（**overfitting**）。
 
-现在，考虑如下情况：
+接下来，考虑如下情况：
 
 - 训练错误率 = 15%
 - 开发错误率 = 16%
 
-我们估计偏差为 15%，方差为 1%。该分类器的错误率为 15%，没有很好地拟合训练集，但它在开发集上的误差不比在训练集误差高多少。因此，该分类器具有较高的偏差（**high bias**），但是较低的方差。我们称该算法是欠拟合（**underfitting**）的。
+我们估计偏差为 15%，方差为 1%。该分类器的错误率为 15%，没有很好地拟合训练集，但它在开发集上的误差不比在训练集上的误差高多少。因此，该分类器具有较高的偏差（**high bias**），而方差较低。我们称该算法是欠拟合（**underfitting**）的。
 
-现在，考虑如下情况：
+下面，考虑如下情况：
 
 - 训练错误率 = 15%
 - 开发错误率 = 30%
 
-我们估计偏差为 15%，方差为 15%。该分类器有高偏差和高方差（**high bias and high variance**）：它在训练集上表现得很差，因此有较高的偏差，而它在开发集上表现更差，因此具有较高的方差。由于分类器同时过拟合和欠拟合，所以过拟合/欠拟合术语很难应用与此。
+我们估计偏差为 15%，方差为 15%。该分类器有高偏差和高方差（**high bias and high variance**）：它在训练集上表现得很差，因此有较高的偏差，而它在开发集上表现更差，因此方差同样较高。由于该分类器同时过拟合和欠拟合，过拟合/欠拟合术语很难准确应用于此。
 
 最后，考虑如下情况：
 
 - 训练错误率 = 0.5%
 - 开发错误率 = 1%
 
-该分类器做的很好，它具有低偏差和低方差。恭喜获得这么好的表现！
+该分类器效果很好，它具有低偏差和低方差。恭喜获得这么好的表现！