机器学习题3：针对特定的数据集，学习获得的模型泛化能力较差，请问如何诊断该模型是属于欠拟合问题还是过拟合问题呢？并给出相应的解决方案。

模型的泛化误差不仅包括该模型在训练集上的误差，还应包括在测试样本上的期望误差。

如果拟合的线性模型不能很好地捕捉到训练集数据的模式，称为有较大的偏差(bias)，也就是模型欠拟合。

如果拟合的线性模型偏差较小，但不能很好的预测训练集以外的数据，称为有较大的方差(variance),也就是模型过拟合。

方差与偏差共同构成泛化误差，泛化误差的式子如下：

也就是说,泛化误差可分解为偏差、方差与噪声之和.

一般来说，偏差与方差是有冲突的，这称为偏差一方差窘境 (bias- variance dilemma). 下图 给出了一个示意图给定学习任务，假定我们能控制学习算法 的训练程度，则在训练不足时?学习器的拟合能力不够强，训练数据的扰动不足 以便学习器产生显著变化，此时偏差主导了泛化错误率;随着训练程度的加深， 学习器的拟合能力