روش‌های مختلفی برای ارزیابی یک مدل یادگیری ماشین وجود دارد. ما می‌توانیم از MSE (خطای میانگین مربعات) برای رگرسیون، دقت، فراخوانی، و ROC (مشخصه عملکرد گیرنده) برای یک مسئله طبقه‌بندی به همراه خطای مطلق استفاده کنیم. به طور مشابه، اریبی (Bias) و واریانس (Variance) به ما در تنظیم پارامترها و تصمیم‌گیری در مورد مدل‌های با برازش بهتر در میان چندین مدل ساخته شده کمک می‌کنند.اریبی نوعی خطا است که به دلیل مفروضات نادرست درباره داده‌ها رخ می‌دهد، مانند فرض خطی بودن داده‌ها در حالی که در واقعیت، داده‌ها از یک تابع پیچیده پیروی می‌کنند. از سوی دیگر، واریانس با حساسیت بالا به تغییرات در داده‌های آموزشی معرفی می‌شود. این نیز نوعی خطا است زیرا ما می‌خواهیم مدل خود را در