机器学习基本概念

数据集：数据集又分为训练数据集，测试数据集。

泛化能力：泛化能力是指模型在面对未见过数据集时的表现能力，是指模型对新样本的适应能力，亦即预测新样本的准确性。

泛化误差：在新的样本上的误差

经验误差：在训练集上的误差，亦称“训练误差”，是在已知样本上的误差。

过拟合：构建的模型对于现有信息量来说过于复杂。如果模型拟合时过分关注训练集的细节，那么得到的模型可能在训练集上表现优异，泛化能力却很差，这就发生了过拟合。解释一下可以这样理解，训练的模型在已知的数据上表现很好，在新的数据集上表现不好。

欠拟合：构建的模型对于现有信息量来说过于简单。如果模型拟合时对数据没有做到充分考虑，那么得到的模型可能在训练集上表现就很差，这就发生了欠拟合。欠拟合是模型在已知的数据集上的表现都很差。