問題難度（5分制）：1；
過擬合定義：
訓練集上的效果好於測試集。
一般可能是訓練資料過少或網路過於複雜，導致網路在訓練集上的擬合結果非常好，但由於其資料少或演算法簡單，無法擴充套件到新的資料中，這種現象為過擬合。
解決過擬合:
1.從資料下手：增加訓練資料；
2.從演算法下手：降低模型複雜度（減少神經元個數，網路層數，決策樹中的深度，分支等），通過給模型引數加上一定的約束來降低模型複雜度。
3.從訓練方式下手：使用整合學習將多個模型整合起來，避免單一模型太過簡單。
欠擬合定義：
欠擬合就是不管在**結果都不好。
演算法過於簡單或資料特徵不足都有可能引起，導致演算法無法有效捕捉到完整的資料特徵。在訓練集和測試集上都表現的很差勁。
解決欠擬合:
1.從資料下手：為資料新增新特徵，提高資料維度和內容，提高特徵於樣本標籤的相關性。
2.從演算法下手：去掉模型中的約束提高模型複雜度（增加神經元的資料，網路的層數，決策樹中的深度，分支數目等）。
14 過擬合和欠擬合
過擬合和欠擬合的概念 模型複雜的原因 資料的特徵和目標值之間的關係不僅僅是線性關係 欠擬合的原因 學習到資料的特徵過少 解決辦法 增加資料的特徵數量 過擬合的原因 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 進行特徵選擇，消除關聯性大的特徵 很難做 進行...
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...
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...