文章目录
- 1、过拟合
- 2、欠拟合
- 3、图像表现
- 4、解决办法
1、过拟合
过拟合（OverFititing）：太过贴近于训练数据的特征了，在对应训练集上表现非常优秀，近乎完美的预测/区分了所有的数据，但是在新的测试集上却表现平平。
讲一个故事来解释一下过拟合：
假如你在古代当官，你已经摸透了皇上的脾气，知道他讨厌别人文化比自己高，于是你每次写诗都写的很烂，皇上很中意你。
结果后来皇上gg了，太子登基，太子喜欢博学之士，但你还是像以前一样写些很烂的诗，于是你被罢官了，这就是过拟合。
过拟合就是在一个训练集上学得太好了，不管是通用技巧还是特殊情况全都学下来了，换了一个数据及后，那些学到的特殊情况就没用了。
2、欠拟合
欠拟合(UnderFitting)：样本不够或者算法不精确，测试样本特性没有学到，不具泛化性，拿到新样本后没有办法去准确的判断。
还是讲一个故事来解释一下：
假如你在古代当官，你没有摸透皇上的脾气，皇帝很讨厌你，卒。
这就是欠拟合。
3、图像表现
4、解决办法
解决过拟合的方法：
降低数据量，正则化（L1,L2），Dropout（把其中的一些神经元去掉只用部分神经元去构建神经网络）
解决欠拟合的方法：增加训练数据，优化算法
