什么是机器学习中的贝叶斯错误？

http://www.deeplearningbook.org/contents/ml.html第116页说明了贝叶斯错误，如下所示

理想的模型是一个预言家，它仅知道生成数据的真实概率分布。即使这样的模型在许多问题上仍然会产生一些错误，因为分布中可能仍然存在一些噪音。在监督学习的情况下，从x到y的映射可能是内在随机的，或者y可能是确定性函数，除了x中包括的变量之外，还涉及其他变量。预言家根据真实分布p（x，y）进行预测而引起的错误称为贝叶斯错误。

问题

1. 请直观地解释贝叶斯错误？
2. 它与不可减少的误差有何不同？
3. 我可以说总误差=偏差+方差+贝叶斯误差吗？
4. “ y可能固有地是随机的”是什么意思？

贝叶斯误差是可以实现的最低可能的预测误差，与不可约误差相同。如果人们确切地知道哪个进程生成数据，那么如果该进程是随机的，那么仍然会出错。这也就是“本质上是随机的”的意思。$y$

例如，当掷出一枚公平硬币时，我们确切地知道是什么过程产生了结果（二项式分布）。但是，如果我们要预测一系列抛硬币的结果，我们仍然会出错，因为该过程本质上是随机的（即随机的）。

为了回答您的另一个问题，您正确地说总误差是偏差（平方），方差和不可减少误差的总和。又见此文章为容易理解这三个概念的解释。

从https://www.cs.helsinki.fi/u/jkivinen/opetus/iml/2013/Bayes.pdf。对于分类任务，贝叶斯误差定义为：

$min_f=Cost(f)$

贝叶斯分类器定义为： $argmin_f=Cost(f)$

因此，总误差=贝叶斯误差+您的模型比贝叶斯误差偏差+方差+贝叶斯误差差多少，这可能取决于您的模型和“分布噪声”的固有性质$\not\equiv$

“ y可能固有地是随机的”是什么意思？例如，。但是，您作为y收集的总是被污染为，其中因此您无法知道真实的y，而成本估算为本质上受到污染。甚至Oracle给您正确的答案，您也认为它们是错误的。$y=f(x)=sin(x)$$\tilde{y}=y+t$$t\sim N(0, \sigma^2)$