机器学习模型评估  过拟合与欠拟合的改进方案

在模型评估与调整的过程中， 我们往往会遇到“过拟合”或“欠拟合”的情况。 如何有效地识别“过拟合”和“欠拟合”现象， 并有针对性地进行模型调整， 是不断改进机器学习模型的关键。 特别是在实际项目中， 采用多种方法、 从多个角度降低“过拟合”和“欠拟合”的风险是算法工程师面试必备知识。

欠拟合与过拟合现象

过拟合是指模型对于训练数据拟合呈过当的情况， 反映到评估指标上，就是模型在训练集上的表现很好， 但在测试集和新数据上的表现较差。

欠拟合指的是模型在训练和预测时表现都不好的情况。

通常，欠拟合的模型不能很好地捕捉到数据的特征， 不能够很好地拟合数据。过拟合的模型过于复杂， 把噪声数据的特征也学习到模型中， 导致模型泛化能力下降， 在后期应用过程中很容易输出错误的预测结果。