欠拟合——过拟合（预测函数复杂度高于训练数据复杂度的情况）
过拟合指的是模型学习数据时，不仅记住了数据中的细节，还把偶然出现、不重要的东西（即“噪声”）同时记住了。

过拟合

欠拟合、过拟合

左图，欠拟合（underfit），也称作高偏差（High-bias），即对于当前数据集的拟合程度不够，欠拟合的特征是在训练集和测试集上的准确率都不好；
中图，拟合刚好的状态，具有泛化能力；
右图，过拟合（overfit），也称作高方差（High variance），过拟合对于当前训练数据拟合得太好了，以至于模型只在当前的训练集上表现很好，而在其他数据集上表现就不是那么好，所以过拟合的特征是在训练集上准确率很高而在测试集上表现一般。

解决过拟合

方法：

1. 收集更多的数据
2. 减少特征数量 (特征选择或特征工程)
3. 正则化正则化

通过偏差与方差评估过拟合与欠拟合 模型任务评价指标#偏差与方差

当出现过拟合问题的时候，可以考虑

• 数据集问题：提升数据集质量/数据集过多
• 微调问题：学习轮次与数据条数不匹配，学习轮次过多
  主观的标准：根据自己对产品的预期，确定预期目标效果的评估框架。这是最重要的　
  客观的标准：查看loss曲线。　
  Loss曲线是用于评估模型学习状态（学习损失）的曲线。