1. 过拟合表现: 模型对训练集表现很好,对测试集拟合不好Loss(训练)小,Loss(测试)大 2. 过拟合解决方式: 增加数据量,数据增强提前终止正则化: J(w)=MSEtrain+λw⊤wJ(w)=MSE_{train} + \lambda w^{\top} wJ(w)=MSEtrain+λw⊤w λ\lambdaλ越大,越偏向小的权重dropout(随机失活) 3. 欠拟合表现: 模型对数据的拟合度不高Loss(train)和Loss(test)均高 4. 欠拟合解决方式: 此时盲加数据是无用的 增加模型复杂度添加其他特征项减少正则化的程度