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
上面的較小與較大是和不欠擬合也不過擬合的相比而言的，這也在某種程度上說明了，偏差 和方差是乙個均衡的狀態，乙個高乙個低，高和低都不好
mse=var+bias
**於華東師範大學茆師松的書，出版社是高等教育
欠擬合的解決辦法
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。例如上面的的例子。
3）減少正則化引數，正則化的目的是用來防止過擬合的，但是現在模型出現了欠擬合，則需要減少正則化引數。
4）增加模型複雜度。如果模型太簡單，不能夠應對複雜的任務。可以使用更複雜的模型，減小正則化係數。具體來說可以使用核函式，整合學習方法，深度學習等。
整合學習方法boosting（如gbdt,xgboost，adaboost）能有效解決high bias，
過擬合解決辦法：
解決方法：
1) 合適的模型(******r model structure)
2) 正則化(regularization) l2正則化
3) 資料增強(data augmention)
4) 隨機失活(dropout) 或者weight decy
5) 批規範化(batch normalization)
6) bagging和其他整合模型 例如： 隨機森林模型可以
7）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。
8）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。
過擬合和欠擬合
嘗試不同的模型 既然有一種可靠的方法來測量模型精度，那麼可以嘗試使用其他模型，並檢視哪種模型可以提供最佳 但是對模型有什麼選擇？可以在scikit learn的文件中看到決策樹模型有很多選項 比您長期想要或需要的更多 最重要的選項決定了樹的深度。回想一下這個微課程的第一課，樹的深度是衡量它在進行 之...
欠擬合和過擬合
解決欠擬合問題，可以從以下三個方面入手 1 增加特徵項 在大多數情況下出現過擬合是因為沒有準確把握資料的主要特徵，可以嘗試在模型中加入更多的和原始資料有重要相關性的特徵來尋連搭建的模型，著牙嗎嗯得到的模型可能會有更好的泛化能力。2 構造複雜的多項式 3 減少正則化引數 解決過擬合問題 1 增大訓練的...
過擬合和欠擬合
乙個假設在訓練資料上，能夠獲得比其他假設更好的擬合，但是在訓練資料外的資料集上卻不能很好的擬合資料，此事認為這個模型出現了過擬合現象 模型過於複雜 原因 原始特徵過多，存在一些嘈雜特徵，模型過於複雜是因為模型嘗試去兼顧各個測試資料點 解決辦法 乙個假設在訓練集上不能獲得更好的擬合，但是在訓練資料集以...