邏輯迴歸預測結果不可偏誤。也就是：
「預測的平均值」；應等於「觀測到的平均值」
預測偏誤是指測量這兩個平均值之間的距離。也就是：
重大的非零預測偏誤表示模型中某處出現錯誤，因為這代表模型未發生正面標籤出現錯誤。
舉例來說，假設假設平均有 1% 的電子郵件是垃圾郵件。如果我們完全不知道特定電子郵件的任何資訊，就應該預測 1% 的垃圾郵件可能是垃圾郵件。同樣地，優良的垃圾郵件模型可預測電子郵件平均有 1% 是垃圾郵件。(換句話說，如果每封電子郵件的預測可能性平均值為平均值，結果為 1%)。反之，如果模型的平均預測值為垃圾內容的可能性為 20%，我們就可以歸納出預測代表偏誤。
預測偏誤的可能原因有：
- 功能集不完整
- 雜訊資料集
- Buggy 管道
- 偏誤訓練範例
- 過度正規化
您可能會在處理學習的模型後進行後續處理，例如透過新增校正層調整模型的輸出內容，以減少預測偏誤，藉此修正預測偏誤。舉例來說，如果您的模型有 +3% 的偏誤，您可以新增校正層，將平均預測值降低 3%。不過，新增校正圖層是不佳的做法，原因如下：
- 您需要修正問題，而非原因。
- 您建構的更精簡的系統必須立即更新。
請盡量避免使用校正圖層。使用校正層的專案通常依賴於這些元件，而使用校正層來修正所有模型。最後，維護校正圖層可能會成為床邊。
特徵分塊和預測偏誤
邏輯迴歸功能可預測介於 0 至 1 之間的值。不過，所有已加上標籤的範例都剛好為 0 (例如，「不是垃圾內容」) 或正好 1 (也就是「免付費」的意思)。因此，在預測預測偏誤時，您無法只根據一個範例準確判斷預測偏誤；您必須針對範例的「值區」檢查預測偏誤。也就是說，邏輯迴歸的預測偏誤只會在將足夠範例分組時，能與預測值 (例如 0.392) 與觀察到的值 (例如 0.394) 進行比較。
您可以透過下列方式建立值區：
- 以線性方式細分目標預測。
- 分位數。
請參考下列特定模型的校正圖。每個點都代表一個 1,000 個值的值區。軸的意義如下：
- X 軸代表模型針對該值區預測的值平均值。
- Y 軸代表該值區資料集中實際值的平均平均值。
這兩個軸線都是對數比例。
圖 8. 預測偏誤曲線 (對數比例)
為什麼預測模型只適用於部分部分的模型？以下提供幾種可能性：