1、什么是过拟合、欠拟合（图示法）
二者均是指在训练集上的表现
训练集的预测值，完全贴合训练集的真实值，称之为过拟合；
训练集的预测值，与训练集的真实值有不少的误差，称之为欠拟合；
如图示：
图片链子博客：https://blog.csdn.net/u011630575/article/details/71158656
2、如何评价是否是欠拟合、过拟合？（后续写）
3、如何解决
欠拟合：
根本原因：特征维度较少，导致拟合的函数无法满足训练集
导致的结果：训练集误差较大
解决办法：增加特征维度，进行多项式的扩展；使用集成学习方法（adaboost/xgboost）；
过拟合：
根本原因：特征维度过多，导致拟合的函数，完美的匹配训练集；或者训练样本单一，样本不足；样本噪声干扰过大；
导致的结果：对新数据的预测结果较差
解决办法：1：减少特征维度；2：保留所有的特征，通过降低参数w的值，影响模型；3：增加训练数据集的大小；4；使用集成学习方法（随机森林）
4、解决办法在算法中的应用
针对欠拟合：
在pipeline的 PolynomialFeatures中设置模型采用几次多项式进行预测
针对过拟合：
线性回归中，通过引入不同的正则项（降低了参数W）形成了岭回归算法和lasso回归算法：
岭回归：
引用块内容
lasso回归：
