Underfitting
清洗数据，增加数据根据先验知识对数据扩充变换，
增加特征
删除噪音特征
调低正则项的惩罚参数
换更“复杂”的模型（如把线性模型换为非线性模型）
多个模型级联或组合（集成学习）
迁移学习（借用大模型进行微调）
Overfitting
增加数据根据先验知识对数据扩充变换，生成对抗网络，
进行特征选择
降维（如对特征进行聚类、主题模型进行处理等）Dropout方法
提高正则项的惩罚参数
减少训练迭代次数
换更“简单”的模型（如把非线性模型换为线性模型）
集成学习
