-
过拟合（Overfitting）：
- 定义： 过拟合指的是模型在训练数据上表现很好，但在新数据上表现较差的情况。模型过于复杂，可能捕捉了训练数据中的噪声或特定的样本特征，而这些特征并不代表整体的数据分布。
- 原因： 过拟合通常发生在模型复杂度较高、参数过多或者训练数据不足的情况下。模型可能过分记住了训练数据的细节，而无法泛化到新的数据。
- 解决方法： 减小模型复杂度、增加训练数据、引入正则化（dropout）等方法可以帮助缓解过拟合问题。
-
欠拟合（Underfitting）：
- 定义： 欠拟合表示模型在训练数据和新数据上的表现都较差。模型过于简单，未能充分捕捉数据中的关键模式和结构。
- 原因： 欠拟合通常发生在模型复杂度较低、参数较少或者特征提取不足的情况下。模型可能无法适应数据的复杂性。
- 解决方法： 增加模型复杂度、添加更多的特征、使用更复杂的算法等方法可以帮助提高模型的拟合能力。
