在机器学习中kaiyun.com，有一项很紧迫的观念，那即是：过拟合（Overfitting）和欠拟合（Underfitting）。

很长一段技巧，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，这个有技巧嗅觉很难把抓。

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，差异示意模子在检会数据上发扬得过于复杂或过于毛糙。

底下我们先来毛糙聊聊对于过拟合和欠拟合的特征，以及防患性能问题的身手。

过拟合（Overfitting）

基本观念

毛糙来说，过拟合即是模子在检会集上学习得太好，甚至于学到了检会数据中的噪声和细节，导致模子泛化能力差，即模子在新的、未见过的数据上发扬欠安。

络续发生在模子复杂度较高时，此时模子可能会尝试去捕捉检会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当场噪声而存在。

特征

这里总结过拟合4个最主要的特征~

防患过拟合灵验身手

防患过拟合的身手许多，要左证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种形状，多增多了5种，王人不错手脚民众使用的形状~

民众在本质中，这些身手的利用和聚合，不错在一定经由上幸免过拟合，从而普及模子对新数据的泛化和瞻望能力。

欠拟合（Underfitting）

基本观念

欠拟合指的即是在检会数据上莫得得到满盈的学习，甚至于无法捕捉到数据的基本结构，既不可在检会集上发扬细致，也不可在新的数据上作念出准确的瞻望。

欠拟合络续是因为模子过于毛糙，莫得满盈的参数来学习数据的复杂性。

特征

这里亦然总结了4点，民众不错概况看下：

防患欠拟合的身手

通常是11种最常用的身手~

在本质中，民众不错用起来~

底下，我们通过一个具体的案例来讲解过拟合表象过甚处治身手。使用多项式特征和线性追思模子来演示过拟合，并展示若何通过增多正则化来松懈过拟合。

本质配置

本质讲解

无缺代码

过拟合的情况

很显著，民众不错看到。在未添加正则化的线性追思模子中（红色弧线），会看到模子尝试荒谬精准地通过每个检会数据点，导致在测试集上的发扬（黄色点）较差，这即是典型的过拟合表象。

处治过拟合后的情况

引入L2正则化的岭追思模子（蓝色弧线）能够灵验裁汰模子复杂度，天然它不再尝试穿过系数检会数据点，但在测试集上的MSE（均方过错）有显贵裁汰，披败露了更好的泛化能力。

这里，我们再通过一个案例讲解欠拟合的情况~

本质配置

本质讲解

无缺代码

欠拟合的情况

在使用毛糙的线性追思模子中（红色弧线），由于模子复杂度不及以捕捉底层数据的非线性关联，导致在检会集和测试集上的发扬王人不睬念念，这即是典型的欠拟合表象。

处治欠拟合后的情况

通过引入多项式特征并利用线性追思模子（蓝色弧线）kaiyun.com，我们显贵普及了模子的复杂度，使得模子能够更好地靠拢具有非线性关联的确凿数据。后果披露，多项式追思的MSE昭彰低于毛糙线性追思模子，灵验地处治了欠拟合问题。