2.14 欠拟合与过拟合
欠拟合：顾名思义，就是没有拟合好，要么没有很好的收敛，要么模型容量太小，无法收敛到一个满意的解。
过拟合：顾名思义，就是拟合过头了，记住了训练集的样本，对于验证集和测试集的效果很差。
- 模型欠拟合：在训练集以及测试集上同时具有较高的误差，此时模型的偏差较大；
- 模型过拟合：在训练集上具有较低的误差，在测试集上具有较高的误差，此时模型的方差较大。
- 模型正常：在训练集以及测试集上，同时具有相对较低的偏差以及方差。
- 模型欠拟合：模型在点A处，在训练集以及测试集上同时具有较高的误差，此时模型的偏差较大。
- 模型过拟合：模型在点C处，在训练集上具有较低的误差，在测试集上具有较高的误差，此时模型的方差较大。
- 模型正常：模型复杂程度控制在点B处为最优。（其实可以对应early-stop）
- 模型欠拟合：模型在点C处，在训练集以及测试集上同时具有较高的误差，此时模型的偏差较大。
- 模型过拟合：模型在点A处，在训练集上具有较低的误差，在测试集上具有较高的误差，此时模型的方差较大。 它通常发生在模型过于复杂的情况下，如参数过多等，会使得模型的预测性能变弱，并且增加数据的波动性。虽然模型在训练时的效果可以表现的很完美，基本上记住了数据的全部特点，但这种模型在未知数据的表现能力会大减折扣，因为简单的模型泛化能力通常都是很弱的。
- 模型正常：模型复杂程度控制在点B处为最优。
那么面对欠拟合和过拟合，应该怎么做呢？
欠拟合：
- 添加其他特征项。
组合、泛化、相关性、上下文特征、平台特征等特征是特征添加的重要手段，有时候特征项不够会导致模型欠拟合。
- 添加多项式特征。
例如将线性模型添加二次项或三次项使模型泛化能力更强。例如，FM（Factorization Machine）模型、FFM（Field-aware Factorization Machine）模型，其实就是线性模型，增加了二阶多项式，保证了模型一定的拟合程度。
- 可以增加模型的复杂程度。
- 减小正则化系数。
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。
过拟合：
- 重新清洗数据，数据不纯会导致过拟合，此类情况需要重新清洗数据。
- 增加训练样本数量。
- 降低模型复杂程度。
- 增大正则项系数（与欠拟合相反）。
- 采用dropout方法，dropout方法，通俗的讲就是在训练的时候让神经元以一定的概率不工作。
- early stopping。
- 减少迭代次数。
- 增大学习率。
- 添加噪声数据。
- 树结构中，可以对树进行剪枝。
- 减少特征项。
欠拟合和过拟合这些方法，需要根据实际问题，实际模型，进行选择。（这个就和经验有关系了）
