引导者本文目录一览：
欠拟合是什么意思
欠拟合是指模型在训练数据上的表现不佳，无法充分学习和捕捉数据中的特征和模式。欠拟合的识别 欠拟合通常表现为模型在训练集上的误差较大，且在测试集上的表现也不尽如人意。
欠拟合是指模型没有能够很好的学习到数据特征，不能很好地拟合数据，表现为预测值与真实值之前存在较大的偏差。
欠拟合是指模型不能在训练集上获得足够低的误差。而过拟合是指训练误差和测试误差之间的差距太大。考虑过多，超出自变量的一般含义维度，过多考虑噪声，会造成过拟合。
讨论几个名词的含义：欠拟合、过拟合、泛化、正则性如下：欠拟合：模型没有很好的捕捉到数据特征，不能够很好的拟合数据。
如果数据集过小或者特征数量太少，那么模型可能无法很好地拟合数据，这就是欠拟合。相反，如果数据集过大或者特征过多，那么模型可能会过分拟合数据，这是过拟合。高纬打击低纬还可以用来维持系统的稳定性。
overfitting)与欠拟合(underfitting)。过拟合和欠拟合是用于描述模型在训练过程中的两种状态，一般来说，训练会是这样的一个曲线。下面的training error，generalization error分别是训练集和测试集的误差。
什么是欠拟合?什么是过拟合?
1、欠拟合是指模型不能在训练集上获得足够低的误差。而过拟合是指训练误差和测试误差之间的差距太大。考虑过多模型欠拟合，超出自变量的一般含义维度模型欠拟合，过多考虑噪声，会造成过拟合。
2、欠拟合是指模型不能在训练集上获得足够低的误差。而过拟合是指训练误差和测试误差之间的差距太大。通过调整模型的容量(capacity)，我们可以控制模型是否偏向于过拟合或者欠拟合。通俗地，模型的容量是指其拟合各种函数的能力。
3、欠拟合是指模型不能在训练集上获得足够低的误差。而过拟合是指训练误差和测试误差之间的差距太大。相关介绍：人工神经网络（ANN）或联结主义系统是受构成动物大脑的生物神经网络的启发但不完全相同的计算系统。
4、欠拟合underfiting / high bias，就是指模型不能在训练集上获得足够低的误差，在训练集、验证集以及测试集上均表现不佳的情况。
5、欠拟合：模型没有很好的捕捉到数据特征，不能够很好的拟合数据。过拟合：模型把训练数据学的“太好模型欠拟合了”，导致把数据中的潜在的噪声数据也学到了，测试时不能很好的识别数据，模型的泛化能力下降。
6、欠拟合(underfitting/high bias) 高偏差 比如给出一些样本点，需要在上面画画，第一张图毫无规律可寻，称为欠拟合。而中间图找出了一些样本点之间的关联性。最后一张图根据样本点画出了一只猫。我们称为过拟合。
过拟合与欠拟合及方差偏差
1、过拟合：偏差 方差，对应复杂模型 正则系数过高会导致欠拟合 高偏差、低方差 其实，模型在训练集上的 误差 来源主要来自于 偏差 （和1比较），在测试集上 误差 来源主要来自于 方差 （和训练集比较）。
2、用偏差和方差来解释就是，欠拟合的时候为高偏差(偏差描述的是模型的期望输出与真实输出之间的差异)。
3、欠拟合和过拟合相比过拟合好。过拟合是指模型复杂度较大，过度拟合训练集只导致模型训练误差小、泛化误差大的现象。从偏差与方差的角度上看，过拟合指模型在训练集中的输出偏差小、方差大。
4、欠拟合是指模型没有能够很好的学习到数据特征，不能很好地拟合数据，表现为预测值与真实值之前存在较大的偏差。
5、当训练误差与交叉验证集误差接近时，并且都很大时，该模型高偏差(欠拟合)； 当训练误差远小于验证集误差时，并且训练误差很小时，该模型高方差(过拟合)。
6、综上所述，欠拟合是算法所训练的模型不能完整表述数据关系，而过拟合是算法训练的模型过多地表达了数据间的关系（往往是把噪音当成了特征，是噪音间的关系）。而我们需要寻找的是泛化能力最好的模型。
