人工智能100问☞第28问：什么是过拟合与欠拟合？

目录

一、通俗解释

二、专业解析

三、权威参考

---

过拟合是模型学得太细导致新数据翻车，欠拟合是学得太糙连现有数据都搞不定，前者死磕训练数据噪音，后者连基本规律都没抓住。

一、通俗解释

​​过拟合​​就像一个小学生考试前只背答案不学方法，遇到原题能拿满分，但题目稍作改动就完全不会。比如用高次多项式强行拟合所有数据点，连噪声都记住了，导致面对新数据时“死记硬背”失效。

​​欠拟合​​则像连基本公式都没背熟的考生，原题都做不对，更别提新题。比如用直线拟合曲线数据，模型过于简单，连数据的基本规律都抓不住。

二、专业解析

1、过拟合（Overfitting）

​​定义​​：模型在训练集上表现优异（低偏差），但在测试集或新数据上泛化能力差（高方差）。其本质是模型复杂度过高，将训练数据中的噪声和局部特征误认为全局规律。

​​典型表现​​：

训练误差趋近于0，测试误差显著升高

模型参数过多（如神经网络层数冗余）或特征冗余

​​解决方法​​：

正则化（L1/L2约束参数）

数据增强（增加样本量或清洗噪声）

模型简化（减少神经网络层数/决策树剪枝）</