什么是过拟合？

   过拟合很好理解，今天在知乎上看到eyounx这么解释，挺形象的，大致是这么个说法:在机器学习中，我们提高了在训练数据集上的表现力时，在测试数据集上的表现力反而下降了，这就是过拟合。

  过拟合发生的本质原因，是由于监督学习的不适定性。比如我们再学习线性代数时，给出n个线性无关的方程，我们可以解出来n个变量，但是肯定解不出来n+1个变量。在机器学习中，如果数据（对应于方程）远小于模型空间（对应求解的变量），那么，就容易发生过拟合现象。

  所以说，有限的训练数据并不能反映出一个模型的好坏，然而我们却不得不根据这有限个数据来挑选模型。因此，我们完全有可能挑选出在训练数据上表现很好，但是在测试集上表现很差的模型。因为在进行测试之前，我们并无法知道模型在测试数据上的表现。如果模型空间很大，也就是说有很多模型供我们挑选，那么，我们挑选对的模型的概率就会下降。但与此同时，如果想在训练集上表现良好，最直接的办法就是在足够大的模型空间中挑选模型，如果模型空间太小，我们就很难挑选出将训练集拟合的很好的模型。综上所述，如果想要拟合好训练数据，就需要足够大的空间模型。但是，如果模空间太大，挑选到好的模型的概率就会下降。因此，就会出现过拟合现象。

  对于过拟合现象，有多种解释。

（1）经典的bias-variance decomposition.比较直观

（2）PAC-learning泛化界解释。我个人更倾向这个

（3）Bayes先验解释。