什么是欠拟合现象_在模型评估过程中，过拟合和欠拟合具体指什么现象？能否说出几种降低过拟合和欠拟合风险的方法？...

在模型评估过程中，过拟合和欠拟合具体指什么现象？

过拟合是指模型在训练数据拟合呈过当的情况，反应到评估指标上，就是模型在训练集上的表现很好，但在测试集和新数据上的表现很差。欠拟合指的是模型在训练和预测时都不好的情况。

能否说出几种降低过拟合和欠拟合风险的方法？

降低过拟合风险的方法：

１.从数据入手，获得更多的训练数据。使用更多的训练数据是解决过拟合问题最有效的手段，因为更多的样本能够让模型学习到更多更有效的特征，减少噪声的影响。当然，直接增加实验数据一般是很困难的，但是可以通过一定的规则来扩充训练数据。比如在图像分类问题上，可以通过图像的平移，旋转，缩放等方式扩充数据，更进一步地，可以使用生成式对抗网络来合成大量新训练数据。

２.降低模型的复杂度，在数据较少时，模型过于复杂是产生过拟合的主要因素，适当降低模型复杂化度可以避免模型拟合过多的采样噪声。例如在神经网络模型中减少网络层数，神经元个数等，在决策树模型中降低树的深度，进行剪枝。

３，正则化方法。给模型参数加上一定正则约束，比如将权值大小加入到损失函数总。

４.集成学习方法。集成学习是吧多个模型集成在一起，来降低单一模型过拟合风险，如Ｂａｇｇｉｎｇ方法。

降低　欠拟合风险的方法：

１.添加新特性。当特征不足或者现有特征与样本标签的相关性不强时，模型容易出现欠拟合。通过挖掘上下文特征　　ＩＤ类特征　　组合特征　等新的特征，往往能够取得很好的效果。在深度学习的潮流中，有很多模型可以帮助完成特征工程，如因子分解机，梯度提升决策树，Ｄｅｐｐ－ｃｏｒｓｓｉｎｇ等都成为丰富特征的方法。

２.增加模型复杂度，简单模型的学习能力较差，通过增加模型的复杂度可以使模型拥有更强的拟合能力。例如在线性模型中增加高次项，在神经网络模型中增加网络层数和神经元个数。

３.减小正则化系数。正则化是用来防止过拟合的，但当模型出现欠拟合现象时，则需要有针对性的减小正则化系数。