模型效果不好，常见原因可以先从两个方向看： 一个是学得太少，另一个是学得太死。
1. 欠拟合
欠拟合是模型没有学到数据中的规律。
表现通常是：
- 训练集效果差。
- 测试集效果也差。
比如用一条直线去拟合明显弯曲的数据，模型太简单，表达能力不够。
欠拟合可能原因：
- 模型太简单。
- 特征太少。
- 训练不足。
- 数据中的规律没有被表达出来。
解决思路包括：
- 增加有效特征。
- 使用更复杂的模型。
- 训练更充分。
2. 过拟合
过拟合是模型把训练数据学得太死。
表现通常是：
- 训练集效果很好。
- 测试集效果明显变差。
模型不仅学到了规律，还学到了训练集里的噪声和偶然性。
可以理解为考试前把练习题答案背下来了，但换一套题就不会了。
过拟合可能原因：
- 模型太复杂。
- 数据量太少。
- 特征太多但质量不高。
- 训练时间过长。
解决思路包括：
- 增加数据。
- 做正则化。
- 简化模型。
- 使用交叉验证。
- 做特征选择。
3. 泛化能力
机器学习真正关心的是泛化能力。
也就是模型面对没见过的数据时表现如何。
训练集表现好只是第一步，测试集表现稳定才更重要。
4. 小结
可以这样记：
- 欠拟合：没学会。
- 过拟合：背答案。
- 好模型：学到规律，并能用于新数据。
判断模型问题时，不要只看一个分数，要同时看训练集和验证集、测试集表现。
留言板