机器学习：拟合效果分析

在机器学习中，如何评价一个模型的效果好坏？
最简单的两个评价标准，错误率和精度。对分类模型来说，如m个样本中有a个样本分类错误，那么错误率E=a/m，精度=1-错误率。
实际上，还有很多其他方式来评价，来反映模型在某个方面的好坏，但是如何整体的概括性描述呢？一般是过拟合或者是欠拟合。
怎么来形容拟合呢？我们都知道模型需要在训练集中进行学习规律，直到开发者认为该模型可以拿出去应用。过拟合就是，模型把训练集的数据规律学得太全太细，反而忽略了该类数据的整体性规律，拿出去应用的时候效果不好。欠拟合就是模型在训练集学习的不好，拿出去用的也不好。
举个例子，车辆数据包括车标、轮子等等。如果模型把大奔的车标当成了车辆的识别标志，那么大众车系就不会被当成车辆，这属于过拟合；如果模型认为有轮子的就是车辆，那么自行车也会被判成车辆，也是不对的。
一般的，模型学习效果都会偏向过拟合，欠拟合出现的比较少。能不能取个中间，既不过拟合也不欠拟合，这基本上是不可能的，我们能做的只是减少其影响。