在深度学习中， 过拟合和欠拟合 是训练模型时常见的两大问题，它们会严重影响模型的泛化能力。 过拟合，模型太复杂，学了噪声 训练数据上表现过好而在新数据上表现差； 欠拟合，模型太简单， 没学够特征 训练数据和新数据上都表现不佳。
为了解决这些问题，可以采取多种策略，包括 增加训练数据量、使用正则化技术、选择更合适的模型、进行特征选择和降维、采用交叉验证 等。这些策略可以有效地提高模型的泛化能力，从而推动深度学习技术的进一步发展。
Overfitting&Underfitting
一、过拟合
什么是过拟合（Overfitting） ？过拟合是指模型在训练数据上表现得非常好，但在未见过的测试数据上表现很差的现象。换句话说，模型学习到了训练数据中的噪声和细节，而不仅仅是数据中的真实规律。
过拟合的原因是什么？ 过拟合通常由模型过于复杂、训练数据不足或数据噪声等原因导致。
为了解决过拟合问题，我们可以采取 增加训练数据、降低模型复杂度、正则化、特征选择和交叉验证 等方法。
二、欠拟合
什么是欠拟合（Underfitting） ？ 欠拟合是指模型在训练数据上表现不好，同时在测试数据上也表现不好的现象。 这通常意味着模型未能捕捉到数据中的基本规律
欠拟合的原因是什么？ 训练数据不足、模型复杂度过低（如层数过少、神经元过少）、训练时间不足
为了解决过拟合问题，我们可以采取 增加训练数据、提高模型复杂度、延长训练时间 等方法。
原文链接：