欠拟合和过拟合学习笔记

       在建模的过程中会经常出现1.模型的效果，但是泛化能力弱，2.模型的结果很差的情况，即过拟合和欠拟合，一下是总结的学习笔记

1.1欠拟合

欠拟合现象：模型准确率低

欠拟合原因：模型没有很好地捕捉到数据特征，不能够很好地拟合数据，

欠拟合解决方法：

1）特征项不够增加特征项。例如，'拉长时间'，‘’变量组合‘’、“特征泛化”、“相关性”等

2）添加多项式特征，这个在机器学习算法里面用的很普遍，例如将线性模型通过添加二次项或者三次项使模型泛化能力更强。

3）减少正则化参数，正则化的目的是用来防止过拟合的，但是现在模型出现了欠拟合，则需要减少正则化参数。

1.2过拟合

过拟合现象：在训练样本中表现得过于优越，导致在验证数据集以及测试数据集中表现不佳。模型的泛化能力较弱

过拟合原因：1.训练数据不够，即训练数据无法对整个数据进行评估，2.对模型过度训练

解决方法：

1ÿ