一、过拟合和欠拟合是什么？
欠拟合和过拟合属于对立的情况，都是导致模型泛化能力不高的两种常见原因，均是模型学习能力和数据复杂性失调的表现。
二、过拟合和高方差（overfiting /high variance)篇。
过拟合是什么及检验方法？
问题表现形式：高方差
如果训练集和测试集的误差间呈现较大的差异时，即为高方差。
在高方差时，训练集训练效果很好，但是，验证集的验证效果很差，即训练集和验证集呈现较大的差异，即模型的泛化能力差，这种现象称为过拟合。
检验方法：此时观察模型在训练集和测试集上损失函数值随epoch的变化情况，当模型在测试集上的损失函数值出现先下降后上升，那么此时可能出现过拟合。
二、导致过拟合的原因是什么？
1、训练集数量不足，样本类型单一，例如：如果 我们 利用 只包含 负样本的训练集 训练 模型，然后利用训练好的模型 预测 验证集中 的 正样本时，此时就会出现，模型 在 训练的时候，效果特别好，但是在验证的时候效果下降问题。因此，在选取训练集时，应当覆盖所有的数据类型；
2、训练集中存在噪声，噪声指的是训练数据中的干扰数据，噪声数据会导致模型记录很多的错误特征，而忽略了真实样本中的正确特征信息。
3、模型复杂度过高，当模型过于复杂时，会导致模型过于充分学习到训练数据集中的特征信息，但是遇到未见过的数据的时候没有变通，泛化能力太差，我们希望模型对不同的数据都有稳定的输出，模型太复杂是过拟合的重要因素。
三、过拟合的解决方法是什么？
1、标注不同类型的样本，使得样本尽可能的均衡，数据经过清洗之后再进行模型训练,防止噪声数据干扰模型
2、降低训练模型复杂度：在训练和建立模型的时候，从相对简单的模型开始，不要一开始就把特征做的非常多，模型参数挑的非常复杂
3、正则化：在模型算法中添加惩罚函数来防止模型出现过拟合问题，常见有l1、l2、dropout正则化项等。
而且l2正则还可以自动进行特征选择。
4、采用bagging等，集成学习方法来防止过拟合。
5、减少特征个数(不是太推荐，但也是一种方法)。可以使用特征选择，减少特征数或使用较少的特征组合，对于按区间离散化的特征，增大划分的区间；
6、交叉检验：利用交叉检验的方法来让模型得到充分的训练，以得到较优的模型参数，
7、早停策略：本质上是交叉验证策略，选择合适的训练次数，避免训练网络过度拟合训练数据。
8、Dropout策略：
可以看作低成本集成学习，所谓的Dropout指的是在用前向传播算法和反向传播算法训练DNN模型时，一批数据迭代时，随机的从全连接DNN网络中去掉一部分隐藏层的神经元。 在对训练集中的一批数据进行训练时，我们随机去掉一部分隐藏层的神经元，并用去掉隐藏层的神经元的网络来拟合我们的一批训练数据。使用基于dropout的正则化比基于bagging的正则化简单，这显而易见，当然天下没有免费的午餐，由于dropout会将原始数据分批迭代，因此原始数据集最好较大，否则模型可能会欠拟合
三、欠拟合/高偏差（underfiting/ high bias）篇
欠拟合是什么及其检验方法？
问题表现：高偏差
如果 训练集 和 测试集 的 误差 收敛 但是收敛值 很高时，即为高偏差;虽然 训练集 和 测试集 都可以收敛，但是偏差很高，训练集和验证集的准确率都很低，这种现象 称为 欠拟合;检验方法：模型无法很好的拟合数据，导致训练集和测试集效果都部不佳
导致欠拟合的原因是什么？
模型未充分学习到数据中的特征信息，使得模型无法很好的拟合数据。
欠拟合的解决方法是什么？
特征工程。添加更多的特征项，eg：特征组合、高次特征 等，来增大假设空间；集成学习方法。 boosting（如GBDT）能有效解决 high bias；提高 模型复杂度。当 所采用的模型比较简单，不能够应对复杂的任务。可以考虑 提升 模型复杂度，选用复杂度更好、学习能力更强的模型。比如说可以使用 SVM 的核函数，增加了模型复杂度，把低维不可分的数据映射到高维空间，就可以线性可分，减小欠拟合；减小正则化系数。
