機器學習中常見概念的區別與聯繫

欠擬合與過擬合 1.欠擬合：生成的擬合函數過於簡單（例如 h(θ)=θ0+θ1x1 ） 2.過擬合：生產的擬合函數過於精確（例如 h(θ)=θ0+θ1x1+...+θ6x6 ）   上圖中，左圖就是欠擬合的情況，曲線不能夠很好的反映出數據的變化趨勢；而右圖是過擬合的情況，因爲曲線經過了每一個樣本點，雖然在訓練集上誤差小了，但是曲線的波動很大，往往在測試集上會有很大的誤差。而中間圖則是比較好的曲線。

>>阅读原文<<