- Un sesgo elevado produce un subajuste. Un modelo de subajuste es demasiado simple para que resulte útil para los nuevos datos ya que no puede derivar información pertinente del conjunto de datos. Simplemente no puede aprender los patrones apropiados sobre los cuales realizar una estimación efectiva. Por ejemplo, usted cuenta con un conjunto de datos de automóviles y sus atributos y desea desarrollar un modelo que pueda estimar la eficiencia del combustible de un automóvil nuevo. Si el modelo no se ajusta a los datos del entrenamiento, habrá una gran discrepancia entre la eficiencia del combustible verdaderamente real y la eficiencia de combustible que predice el modelo. La eficiencia de combustible real del vehículo A podría ser 20 millas por galón (mpg), pero el modelo estima que es 40 mpg. Si esto sucede para la mayoría de los automóviles en el conjunto de datos, entonces el modelo no es lo suficientemente bueno para ejecutar la tarea asignada.

- Una varianza elevada produce un sobreajuste. Un modelo de sobreajuste es demasiado complejo y se corresponde muy estrechamente con los datos del entrenamiento. Por lo tanto, realizará de manera inapropiada su tarea con conjuntos de datos nuevos e invisibles ya que no fue posible separar la señal del ruido y aprender el verdadero patrón. Por ejemplo, el modelo podría estimar que la eficiencia de combustible para el vehículo A en el mismo conjunto de datos es 21 mpg. Esto está muy cerca de la verdad real, lo cual parece ser superficialmente bueno. Pero cuando se presenta con un nuevo conjunto de datos de vehículos (es decir, una muestra diferente de la población), un modelo de sobreajuste estima que el vehículo B obtiene 21 mpg cuando en realidad obtiene 35 mpg. Ello se debe a que el modelo piensa que el vehículo B sigue el mismo patrón que el vehículo A cuando realmente no lo hace.