过拟合和欠拟合有什么区别

过拟合和欠拟合是机器学习模型训练过程中常见的两种不理想状态，它们的主要区别如下：

定义与表现

• 欠拟合（Underfitting） ：模型未能充分学习数据中的模式和规律，导致在训练集和测试集上的表现都较差。模型的复杂度不足以捕捉数据的本质特征，就像 “能力不足”。

• 过拟合（Overfitting） ：模型过度学习了训练数据中的细节和噪声，导致在训练集上表现极佳，但在测试集或新数据上的泛化能力很差。模型把训练数据中的偶然特征当成了普遍规律，就像 “死记硬背”。

核心区别

对比维度	欠拟合	过拟合
模型复杂度	模型过于简单，无法捕捉数据的复杂模式	模型过于复杂，过度适应训练数据的噪声
训练集表现	准确率低，误差高	准确率极高，误差极低
测试集表现	准确率低，误差高	准确率显著低于训练集，误差大幅上升
偏差与方差	高偏差（Bias）：模型对数据的基本假设存在偏差	高方差（Variance）：模型对训练数据的微小变化过于敏感
可视化特征	模型曲线过于平滑，无法拟合数据点	模型曲线过度波动，贴合每个数据点（包括噪声）

典型场景

• 欠拟合：用线性模型拟合非线性数据（如用直线拟合二次函数）；神经网络层数太少。

• 过拟合：决策树的深度过大，导致每个叶节点只包含少量样本；训练数据量过小，而模型参数过多。

解决方案

• 欠拟合：增加模型复杂度（如增加神经网络层数）、添加更多特征、减少正则化强度。

• 过拟合：增加训练数据、使用正则化（L1/L2、Dropout）、提前停止训练、简化模型结构（如减少决策树深度）。

直观比喻

• 欠拟合：学生没有掌握知识点，考试（训练集和测试集）都不及格。

• 过拟合：学生只记住了练习题答案（训练集），遇到新题目（测试集）就不会做。