前言
在推荐系统学习的过程中经常遇到欠拟合和过拟合两个词，一直不知道什么意思，在此笔者阐述下，请大家参考。
一、欠拟合和过拟合
如上图所示，在数据训练的过程中，我们需要根据现有的数据训练出模型，在数据训练的过程中一点点的调试参数，调试出自认为相对较好的模型。这里模型可以认为是图中的实线，通过实线的规律可以更好的预测用户下一个点的位置。
- 图1，如果在训练的过程中数据特征不够，或者训练数据量太少，可能出现数据欠拟合的情况。数据欠拟合会导致预测的值不够准确。
- 图2，一个正常拟合的情况，虽然并不是所有的点都在实线上，但是这个实线可以相对更好的预测出下一个点的位置。
- 图3是一个过拟合的场景，对于这种场景，可以通过减少特征数，或者使用正则化（Regularization）方法 。正则化是指修改学习算法，使其降低泛化误差而非训练误差。