När vi tränar modeller inom området maskininlärning är det viktigt att hitta en balans mellan (å ena sidan) träffsäkerheten i våra resultat och (å andra sidan) förmågan att generalisera till nya data. Om modellen är för komplex och passar sig för väl till träningsdata, riskerar vi överanpassning ("bias") till träningsdatat, och riskerar att modellen inte kan hantera ny data. Å andra sidan, om modellen är för lättvindigt generaliserad (och därmed också "borde" klara att hantera ny data) får vi istället ett problem där modellen kan fånga upp "brus" eller data som inte borde ligga till grund för träning. Den höga känsligheten för träningsdatat kallas "varians".

Bias-varians-avvägningar är en central komponent i att träna vissa modeller, och det finns flera vanliga metoder för att skapa bättre förutsättningar för bra resultat.