作者：明明如月学长， CSDN 博客专家，大厂高级 Java 工程师，《系统掌握大语言模型提示词 - 从理论到实践》 作者、《性能优化方法论》作者、《解锁大厂思维：剖析《阿里巴巴Java开发手册》》、《再学经典：《Effective Java》独家解析》专栏作者。
热门专栏推荐：
热门文章推荐：
在机器学习中，欠学习（Underfitting）和过学习（Overfitting）是两种常见的模型问题，它们都会影响模型的性能，但表现方式和原因不同。
========== 生活化例子 ==========
假设你在学骑自行车：
-
欠学习：就像你刚开始学骑车的时候，只骑了几次，对各种路况、转弯技巧都没掌握，结果你在不同的情况下总是骑不好。这是因为你还没学到足够的技能来应对各种骑行情况。
-
过学习：这像是你学骑车时，只在一条直的平坦道路上骑了无数次，以至于你对这条路非常熟悉，但当你换到另一条路，特别是有坡度或弯道的路时，你反而骑不好了。因为你过度记住了某一条特定的路况，没能学到通用的技巧。
========== 概念讲解 ==========
-
欠学习（Underfitting）：指的是模型过于简单，不能捕捉训练数据中的模式，也无法准确预测新数据。通常是因为模型复杂度不足（例如，用了太简单的模型或不够的训练时间），导致模型对数据的理解不充分。欠学习的模型在训练集和测试集上表现都很差，因为它没有学到足够的知识。
-
过学习（Overfitting）：指的是模型过于复杂，过度适应训练数据，甚至把训练数据中的噪声或偶然特性也学到了。虽然模型在训练数据上的表现非常好，但在测试数据上表现不佳，因为它对新数据的泛化能力很弱。换句话说，模型过于“死记硬背”了训练数据，反而无法应对真实世界中的变化。
欠学习和过学习的关键区别：
- 欠学习的模型太简单，无法理解数据中的重要特征；
- 过学习的模型过于复杂，只对训练数据有效，对新数据则表现不佳。
========== 简单记法 ==========
- 欠学习：学得不够，太笨了！
- 过学习：学得太多，太死板了！
记住：欠学习不够学，过学习学太死。