בהקשר של למידת מכונה, שונות (או Variance באנגלית) מתייחסת לכמות שבה תחזיות המודל משתנות כאשר מתאמנים עם תת-קבוצה שונה של נתונים. שונות גבוהה מצביעה על כך שהמודל רגיש לתנודות בנתוני האימון, מה שעלול להוביל להתאמת יתר. התאמת יתר מתרחשת כאשר מודל לומד את הרעש או התנודות האקראיות של נתוני האימון יחד עם התפלגות הנתונים הבסיסית, וכתוצאה מכך ביצועים גרועים בנתונים בלתי נראים או דוגמאות חדשות.
ניהול השונות חיוני ליצירת מודלים אמינים של למידת מכונה. טכניקות כגון סדירות, גיזום ושיטות אנסמבל יכולות לעזור להפחית את השונות. איזון הטיה (עד כמה התחזיות רחוקות מהמציאות בממוצע) והשונות הוא חיוני. יותר מדי הטיה עלולה להפוך את הדגם לאיטוב, ושונות רבה מדי יכולה לגרום לו להתאים יתר על המידה. המודל האידיאלי יוצר איזון בין השניים, מבטיח הכללה לנתונים חדשים תוך לכידת הדפוסים הבסיסיים בנתוני האימון.
