什么是欠拟合？

通俗来讲就是：拟合得不够准确，在训练集中效果都不好，那么在测试集中效果肯定也不会好。
机器学习中一个重要的话题便是模型的泛化能力，泛化能力强的模型才是好模型。
对于训练好的模型，若在训练集表现差，在测试集表现同样会很差，这可能是欠拟合导致，就是还没有学习好，模型没有很好的捕捉到数据特征。
欠拟合是指模型拟合程度不高，实际数据距离拟合曲线较远，或指模型没有很好地捕捉到数据特征，不能够很好地拟合数据。

机器学习的基本问题是利用模型对数据进行拟合，学习的目的并非是对有限训练集进行正确预测，而是对未曾在训练集合出现的样本能够正确预测，及能够对新的数据进行准确预测。
模型对训练集数据的误差称为经验误差，对测试集数据的误差称为泛化误差。
模型对训练集以外样本的预测能力就称为模型的泛化能力，追求这种泛化能力始终是机器学习的目标。
欠拟合和过拟合是导致模型泛化能力不高的两种常见原因，都是模型学习能力与数据复杂度之间失配的结果。

欠拟合的产生原因？

“欠拟合”常常在模型学习能力较弱，而数据复杂度较高的情况出现
此时模型由于学习能力不足，无法学习到数据集中的“一般规律”，不能很好的捕捉数据特征
与之相反，“过拟合”常常在模型学习能力过强的情况中出现，此时的模型学习能力太强，以至于将训练集单个样本自身的特点都能捕捉到，并将其认为是“一般规律”，同样这种情况也会导致模型泛化能力下降。
过拟合与欠拟合的区别在于：
    欠拟合在训练集和测试集上的性能都较差，
    过拟合往往能较好地学习训练集数据的性质，而在测试集上的性能较差，及泛化能力差。
在神经网络训练的过程中，欠拟合主要表现为输出结果的高偏差，而过拟合主要表现为输出结果的高方差

解决方法？

常见解决方法有：
增加新特征(继续提取一些具有区分度的特征)，可以考虑加入特征组合、高次特征，来增大假设空间；
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；
减少正则化参数，正则化的目的是用来防止过拟合的，但是模型出现了欠拟合，则需要减少正则化参数；
使用非线性模型，比如核SVM 、决策树、深度学习等模型；
调整模型的容量(capacity)，通俗地，模型的容量是指其拟合各种函数的能力；
容量低的模型可能很难拟合训练集；使用集成学习方法，如Bagging ,将多个弱学习器Bagging。