训练数据过度拟合&拟合不足

训练数据过度拟合：
当模型相对于训练数据的数量和噪声都过于复杂时，会发生过度拟合。
解决方案如下：
1)简化模型；可以选择较少参数的模型，可以减少训练数据中的属性数量，或者是约束模型。
2)收集更多的训练数据。
3)减少训练数据中的噪声。（例如：修复数据错误和消除异常值）

训练数据拟合不足：
对于下层数据结构来说，模型太过简单。比如，用线性模型来描述生活中的信服指数，很明显，这里边的现实情况远比模型复杂得多。
解决方案如下
1)选择一个带有更多参数，更强大的模型。
2)给学习算法提供更好的特征集。
3)减少模型中的约束（比如，减少正则化超参数）

注意：通过约束模型使其更简单，并降低过度拟合的风险，这个过程称为正则化

可以参考《机器学习实战-基于Scikit-Learn和TensorFlow》