欠拟合(underfitting)---训练误差大，测试误差也大---模型过于简单(特征太少)
过拟合(overfitting)---训练误差小，但测试误差大---模型过于复杂(特征太多,使用了复杂的非线性关系；训练样本有误、过少)
过拟合的解决办法：
1、增加训练样本数
2、进行特征选择、特征降维，消除嘈杂特征，消除关联性大的特征(很难做)
3、交叉验证（让所有数据都有过训练）
4、正则化(也属于特征选择)
L2正则化的思想（减少某些特征的影响(权重)）：
正则化力度越大，权重(系数)越趋近于0：
岭回归是带L2正则化的线性回归，正则化力度是岭回归的一个超参数(可以进行参数调优)
demo.py（岭回归(带正则化的线性回归,避免过拟合)，预测房价，Ridge）：
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import Ridge
from sklearn.metrics import mean_squared_error
# 岭回归，预测房价
# 获取数据 (加载scikit-learn中的数据集)
lb = load_boston()
# 分割数据集，划分训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(lb.data, lb.target, test_size=0.25)
print(y_train, y_test)
# 进行标准化处理 (如果不进行标准化，会影响不同特征在误差函数中的权重)
# 特征值和目标值都必须进行标准化处理, 实例化两个标准化API
std_x = StandardScaler()
x_train = std_x.fit_transform(x_train)
x_test = std_x.transform(x_test)
# 目标值进行标准化
std_y = StandardScaler()
y_train = std_y.fit_transform(y_train) # 高版本的API需要传入二维数组：y_train.reshape(-1,1)
y_test = std_y.transform(y_test)
# 岭回归 进行房价预测
# alpha表示正则化力度,默认1.0 (超参数，可以通过网格搜索和交叉验证进行调参调优)
rd = Ridge(alpha=1.0) # alpha可以是0-1之间的小数；或1-10之间的整数。
rd.fit(x_train, y_train)
# 回归系数
print(rd.coef_)
# 预测测试集的房子价格
y_predict = std_y.inverse_transform(rd.predict(x_test))
print(y_predict)
# 均方误差
print(mean_squared_error(std_y.inverse_transform(y_test), y_predict)) # 30.5787029629
岭回归：回归得到的回归系数更符合实际，更可靠。另外，能让估计参数的波动范围变小，变的更稳定。在存在病态数据偏多的研究中有较大的实用价值。(可以避免过拟合)