人工智能知识点】泛化（Generalization）与过度拟合 - 2.过度拟合与欠拟合

在理解泛化时，两个常见的概念是过拟合和欠拟合，它们都与模型的泛化能力紧密相关。

a. 过拟合（Overfitting）：

当模型在训练数据上表现得非常好，甚至可以完全记住训练数据中的每个细节，但在新数据上表现很差时，就发生了过拟合。过拟合的模型过于复杂，以至于学习到了训练数据中的噪声和异常模式。这种情况下，模型的泛化能力非常差。

比喻：可以把过拟合比作一个学生考试时背诵了所有题目的答案，但当考试内容稍微变化时，学生却无法灵活应对。模型就像这个学生，只记住了训练数据的细节，而不是学习到数据背后的通用模式。

b. 欠拟合（Underfitting）：

欠拟合是模型过于简单，无法很好地捕捉训练数据中的规律，导致在训练数据和新数据上都表现不佳。欠拟合的模型没能学习到足够多的特征，通常是因为模型太过简单，或者训练不充分。

比喻：欠拟合可以类比为一个学生只复习了一些基础知识，但没有足够深入地理解课程内容，结果不仅在模拟考试中表现差，在实际考试中也是如此。