过拟合

过拟合是指模型在训练数据中表现很好，但在测试数据中表现很差的情况。过拟合的原因通常是模型过于复杂，学习到了训练数据中的噪声和细节，但这些特性并不普遍适用于其他数据集。对训练数据的过度拟合会导致模型在面对新数据时失效，并且无法泛化。

影响

• 降低模型性能和泛化能力
• 导致测试数据上的误差很大
• 无法适应新数据和真实世界的情况

示例

过拟合的示例是一个分类模型，针对训练数据中的每个噪声点都有一个决策边界，导致对测试数据的分类效果很差。

欠拟合

欠拟合是指模型无法捕捉到数据中的趋势和模式，无法很好地适应训练数据和测试数据。通常是因为模型过于简单或者特征量不足，导致模型无法很好地拟合数据。

影响

• 降低模型的预测准确性
• 无法很好地学习数据中的特征
• 无法完成任务的要求

示例

欠拟合的示例是一个线性模型，无法很好地拟合非线性关系的数据，导致预测准确性很低。