欠拟合”常常在模型学习能力较弱，而数据复杂度较高的情况出现，此时模型由于学习能力不足，无法学习到数据集中的“一般规律”，因而导致泛化能力弱。 与之相反，“过拟合”overfitting常常出现在模型学习能力过强的情况，此时的模型学习能力太强，以至于将训练集单个样本自身的特点都能捕捉到，并将其认为是“一般规律”，同样这种情况也会导致模型泛化能力下降。 欠拟合underfitting简单来说是对于复杂的数据直接求得函数为y = ax+b，没有找到一般规律，泛化能力不足。表现为训练集和测试集均表现不好 过拟合简单来说就是对于一组我数据我构造了一个完美适配该组数据的函数，那么他也仅仅是对这组数据管事，换别的数据就不行了，没有普适性。
如果是神经网络可以采用dropout来控制过拟合，集成学习模型，如随机森林，梯度提升树等在控制过拟合上往往效果明显。
