在机器学习中，有一项很首要的成见，那即是：过拟合（Overfitting）和欠拟合（Underfitting）。

很长一段时候，和不少同学私信聊到过拟合和欠拟合的问题。尤其是对于入门者来说，这个偶然候嗅觉很难把抓。

过拟合和欠拟合，触及到机器学习中常见的两种模子性能问题，永诀默示模子在考研数据上进展得过于复杂或过于肤浅。

底下我们先来肤浅聊聊对于过拟合和欠拟合的特征，以及退缩性能问题的身手。

过拟合（Overfitting）

基本成见

肤浅来说，过拟合即是模子在考研集上学习得太好，致使于学到了考研数据中的噪声和细节，导致模子泛化智商差，即模子在新的、未见过的数据上进展欠安。

频繁发生在模子复杂度较高时，此时模子可能会尝试去捕捉考研数据中的每个小的特征，包括那些不具代表性的特征，而这些特征可能只是是由于立时噪声而存在。

特征

这里总结过拟合4个最主要的特征~

退缩过拟合灵验身手

退缩过拟合的身手许多，要字据不同的情况进行不同的操作，以下总结了11种身手。

比较于之前文中的5种面貌，多加多了5种，皆不错算作宇宙使用的面貌~

宇宙在履行中，这些身手的行使和聚首，不错在一定进度上幸免过拟合，从而提升模子对新数据的泛化和推断智商。

欠拟合（Underfitting）

基本成见

欠拟合指的即是在考研数据上莫得得到充足的学习，致使于无法捕捉到数据的基本结构，既不行在考研集上进展雅致，也不行在新的数据上作念出准确的推断。

欠拟合频繁是因为模子过于肤浅，莫得充足的参数来学习数据的复杂性。

特征

这里亦然总结了4点，宇宙不错能够看下：

退缩欠拟合的身手

不异是11种最常用的身手~

在履行中，宇宙不错用起来~

底下，我们通过一个具体的案例来评释过拟合状态偏激措踏进手。使用多项式特征和线性归来模子来演示过拟合，并展示怎样通过加多正则化来收缩过拟合。

履行建造

履行评释

齐全代码

过拟合的情况

很领悟，宇宙不错看到。在未添加正则化的线性归来模子中（红色弧线），会看到模子尝试特殊精准地通过每个考研数据点，导致在测试集上的进展（黄色点）较差，这即是典型的过拟合状态。

措置过拟合后的情况

引入L2正则化的岭归来模子（蓝色弧线）能够灵验缩短模子复杂度，诚然它不再尝试穿过统统考研数据点，但在测试集上的MSE（均方过错）有权臣缩短，显现出了更好的泛化智商。

这里，我们再通过一个案例评释欠拟合的情况~

履行建造

履行评释

齐全代码

欠拟合的情况

在使用肤浅的线性归来模子中（红色弧线），由于模子复杂度不及以捕捉底层数据的非线性相干，导致在考研集和测试集上的进展皆不睬念念，这即是典型的欠拟合状态。

措置欠拟合后的情况

通过引入多项式特征并行使线性归来模子（蓝色弧线），我们权臣提升了模子的复杂度，使得模子能够更好地濒临具有非线性相干的确凿数据。成果显现体育游戏app平台，多项式归来的MSE显豁低于肤浅线性归来模子，灵验地措置了欠拟合问题。