过拟合和欠拟合怎么判断，如何解决？
（1）判断：训练集误差和验证集误差，从而判断算法达到什么效果
- 训练误差大和验证误差都大，是欠拟合
- 训练误差和验证误差差不多，都较低，是适度拟合
- 训练误差小，验证误差大，是过拟合
（2）过拟合的解决方法
-
数据集角度
- 增加样本量
- 数据集扩增
-
原有数据加随机噪声
-
重采样
-
特征角度
-
特征选择
-
特征降维
-
-
模型角度
-
降低模型复杂度
-
正则化 ，正则化正是通过在损失函数上添加额外的参数稀疏性惩罚项（正则项），来限制网络的稀疏性，以此约束网络的实际容量，从而防止模型出现过拟合。L1正则化是将权值的绝对值之和加入损失函数，使得权值中0值比重增大，因此得到的权值较为稀疏。L2正则化是将权重的平方之和加入损失函数，使得权值分布更加平均，所以权值较为平滑。
-
Dropout舍弃，在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃，使得每次训练的网络结构多样。
-
-
训练角度
-
早停止，如在训练中多次迭代后发现模型性能没有显著提高就停止训练
-
交叉验证
-
（3）欠拟合的解决方法
- 增加新特征，可以考虑加入进特征组合、高次特征，来增大假设空间，添加多项式特征
- 减少正则化参数，正则化的目的是用来防止过拟合的，但是模型出现了欠拟合，则需要减少正则化参数
- 使用非线性模型，比如核SVM 、决策树、深度学习等模型
- 使用集成学习方法，如Bagging ,将多个弱学习器Bagging
