当模型不能够准确地表达输入与输出的关系时，就是欠拟合。它在练习集和未见过的数据都会产生高偏差率。太过拟合则在练习集体现出低偏差率，只有对未见过的数据体现出高偏差率。
当模型太过于简单时，它需要更多的练习时间、更多的输入特性、更少的正则化，此时欠拟合就大概会发生。当模型太过于复杂，随着更多的练习时间、更多的输入特性、更少的正则化处理，太过拟合就大概会发生。
欠拟合和太过拟合一样，不能够在数据中建立主导趋势，导致模型练习错误、性能低。模型固然就也很难很好地泛化到其他新的数据上（如果一个模型没有泛化的能力，那么这个模型险些是没有效的）。如许的模型也就不能够用来做分类或预测的任务。
我们以前也提到过，高偏差和低方差是模型出现欠拟合的信号。低偏差、高方差则是出现太过拟合的信号。高偏差、低方差在练习数据会合就可以看出来，所以欠拟合比太过拟合好发现。当模型被太过练习或者太复杂，在测试数据会合就会体现出高偏差率。 一般来说，太过拟合比欠拟合常见。有时，我们为了制止太过练习模型导致太过拟合，会提前制止模型练习，但是这个提前有时太早了，反而在这个情况下导致了欠拟合的问题。这里也引出另一种情况也会导致欠拟合，那就是练习不敷，办理之道就是增加练习时间，这个又要考虑如何制止练习时间太长造成太过拟合的问题。练习时间的把握就是要权衡好这两者。
模型太简单，也会导致欠拟合，办理之道就是增加相干特性的输入。特性太少的话，在现实天下中，大概会对应很多大概的输出，如许的模型就像在乱说八道，现实上，是我们自己想得太简单了，增加相干的特性输入，就可以收窄这扇——更容易定位到我们盼望的结果上。留意，如果增加太多长特性输入，又增加了模型太过拟合的大概性，造成模型低偏差、高方差。所以我们练习模型时，总要在欠拟合和太过拟之间找一个平衡点，就是要我们根据需求来权衡。这就是所谓的偏差方差平衡（bias-variance tradeoff）。
有一些机器学习模型更加容易出现太过拟合的问题，如决策树、KNN。要识别出太过拟合会比识别欠拟合更困难些。太过拟合在练习数据集就体现出高准确性，为了更好地评价模型是否真的有这些高的准确性，通常使用k-folds交织验证。
在k-folds交织验证中，数据集会被分成k个巨细相干的子集（fold），接着把第一个子集充当测试集（验证集、留出集、反抗组），剩下的数据都用作练习。然后，由二个子集充当测试集，剩下的数据都用作练习。依次类推，直到这k个子集都做过一次测试集为止。每一交迭代都会得到一个关于模型准确性的分数，当迭代完所有子集，将所得的分数取平均值，将其作为评价模型准确性的最终分数。我们可以根据这个分数，了解我们的模型的拟合情况。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
