定義：
過擬合：乙個假定在訓練集資料上能夠獲得比其他假設更好的擬合，但在測試集上卻不能很好的擬合資料，此時認為這個假設出現過擬合的現象（模型過於複雜）解決辦法：
欠擬合原因以及解決辦法
學習到資料的特徵過少1）新增其他特徵項，有時候我們模型出現欠擬合的時候是因為特徵項不夠導致的，可以新增其他特徵項來很好地解決。例如，「組合」、「泛化」、「相關性」三類特徵是特徵新增的重要手段，無論在什麼場景，都可以照葫蘆畫瓢，總會得到意想不到的效果。除上面的特徵之外，「上下文特徵」、「平台特徵」等等，都可以作為特徵新增的首選項。
2）新增多項式特徵，這個在機器學習演算法裡面用的很普遍，例如將線性模型通過新增二次項或者三次項使模型泛化能力更強。
過擬合:
原因：特徵過多，存在一些嘈雜值，模型過於複雜是因為模型嘗試去兼顧各測試資料點1）重新清洗資料，導致過擬合的乙個原因也有可能是資料不純導致的，如果出現了過擬合就需要 我們重新清洗資料。
2）增大資料的訓練量，還有乙個原因就是我們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）正則化
4）減少特徵維度，防止維災難
過擬合和欠擬合及其解決辦法
欠擬合 欠擬合表示模型在訓練集上的表現比較差，具體表現就是模型在訓練集上的誤差比較大，原因就是模型表現不了資料 欠擬合的緩解辦法 過擬合 過擬合表示的是模型在訓練集上變現很好但是測試集上表現不行，可以看下面的吳恩達的課上的這個圖，本來虛線就已經挺好的，但是模型為了在訓練集上取得比較好的變現就產生了乙...
過擬合 欠擬合及其解決辦法
1.什麼是過擬合？過擬合 overfitting 是指在模型引數擬合過程中的問題，由於訓練資料報含抽樣誤差，訓練時，複雜的模型將抽樣誤差也考慮在內，將抽樣誤差也進行了很好的擬合。具體表現就是最終模型在訓練集上效果好 在測試集上效果差。模型泛化能力弱。2 產生過擬合根本原因 1 觀察值與真實值存在偏差...
過擬合和欠擬合以及相對應的解決辦法
欠擬合 是指模型的學習能力比較低，以至於，只學到了很少的一部分資訊，當進行 的時候，會發生方差最低，和偏差較大的情況 過擬合 是指模型的學習能力比較強，以至於，直接把題給背下來了，如果考到原題，就會實現相應的 100 如果 的不再訓練集中，那麼結果就是0.過擬合是偏差較小，但是方差較大 上面的較小與...