模型泛化能力是指模型在未曾见过的数据上的表现能力,也就是模型对于新的数据的适应能力。在机器学习中,模型的目标是能够对未知数据进行准确的预测或分类。如果模型只能在训练数据上表现良好,但在新的数据上表现不佳,那么这个模型的泛化能力就很差。
因此,一个好的模型应该具有良好的泛化能力,即能够在未曾见过的数据上表现良好。对于一个机器学习算法来说,泛化能力是评估其性能的一个重要指标。通常,我们会将数据集分为训练集和测试集,用训练集来训练模型,然后用测试集来测试模型的泛化能力。
提高模型的泛化能力的方法包括:增加数据量、减少模型的复杂度、使用正则化等。同时,也要注意避免过拟合,过拟合会导致模型在训练集上表现很好,但在测试集上表现不佳,从而降低模型的泛化能力。