過擬合： 通俗一點來說過擬合就是模型把資料學習的太徹底，以至於把雜訊資料的特徵也學習到了，導致模型在訓練時表現得非常好，但是在測試集上表現得不好，模型的泛化能力太差。（泛化：機器學習模型在遇到沒有在訓練集中遇見過的資料時的表現）
解決方法：
1.重新清洗資料，導致過擬合的乙個原因有可能是資料不純導致；
2.增大資料訓練量，導致過擬合的原因還有用於訓練的資料量太小導致的，訓練資料佔總資料的比例過小；
3.另外過擬合問題通常發生在變數也就是特徵過多的時候。因此可以
欠擬合：就是模型在訓練集上和測試集上變現都不好
解決方法：
1.新增其他特徵項，導致欠擬合的乙個原因是因為特徵項不夠
2.新增多項式特徵
3.減少正則化引數
機器學習（十六）欠擬合與過擬合
問題 訓練資料訓練的很好啊，誤差也不大，為什麼在測試集上面有問題呢？當演算法在某個資料集當 現這種情況，可能就出現了過擬合現象。那麼是什麼原因導致模型複雜？線性回歸進行訓練學習的時候變成模型會變得複雜，這裡就對應前面再說的線性回歸的兩種關係，非線性關係的資料，也就是存在很多無用的特徵或者現實中的事物...
機器學習（13）欠擬合與過擬合
應用 當演算法在某個資料集當 現這種情況，可能就出現了過擬合現象。那麼是什麼原因導致模型複雜？線性回歸進行訓練學習的時候變成模型會變得複雜，這裡就對應前面再說的線性回歸的兩種關係，非線性關係的資料，也就是存在很多無用的特徵或者現實中的事物特徵跟目標值的關係並不是簡單的線性關係。過擬合原因以及解決辦法...
機器學習基礎 過擬合，欠擬合
最左邊屬於欠擬合，最右邊過擬合。欠擬合是對資料擬合的不好，在訓練集和測試集上的表現都很差。過擬合在訓練集上表現得很好，在測試集上表現得不好 欠擬合原因 模型過於簡單 使用更複雜的模型，整合 訓練次數不夠 增加訓練次數 過擬合原因 模型過於複雜 訓練資料少 資料中雜訊多 解決過擬合方法 簡化模型 減少...