过拟合
1、数据入手，获得更多数据
2、降低模型复杂度
3、正则化方法
4、集成学习方法
数据入手，获得更多数据
使用更多的训练数据是解决过拟合 问题最有效的手段，因为更多的样本能够让模型学习到更多更有效的特征，减小 噪声的影响。当然，直接增加实验数据一般是很困难的，但是可以通过一定的规 则来扩充训练数据。比如，在图像分类的问题上，可以通过图像的平移、旋转、 缩放等方式扩充数据;更进一步地，可以使用生成式对抗网络来合成大量的新训 练数据。
降低模型复杂度
在数据较少时，模型过于复杂是产生过拟合的主要因 素，适当降低模型复杂度可以避免模型拟合过多的采样噪声。例如，在神经网络 模型中减少网络层数、神经元个数等;在决策树模型中降低树的深度、进行剪枝 等。
正则化方法
正则化方法。给模型的参数加上一定的正则约束，比如将权值的大小加 入到损失函数中。以L2正则化为例:
这样，在优化原来的目标函数C0的同时，也能避免权值过大带来的过拟合风险。
集成学习方法
集成学习是把多个模型集成在一起，来降低单一模型的 过拟合风险，如Bagging方法。
欠拟合
1、添加新特征
2、增加模型复杂度（与过拟合对应）
3、减小正则化系数（与过拟合对应）
添加新特征
当特征不足或者现有特征与样本标签的相关性不强时，模 型容易出现欠拟合。通过挖掘“上下文特征”“ID类特征”“组合特征”等新的特征，往 往能够取得更好的效果。在深度学习潮流中，有很多模型可以帮助完成特征工 程，如因子分解机、梯度提升决策树、Deep-crossing等都可以成为丰富特征的方 法。
增加模型复杂度
简单模型的学习能力较差，通过增加模型的复杂度可 以使模型拥有更强的拟合能力。例如，在线性模型中添加高次项，在神经网络模型中增加网络层数或神经元个数等。
减小正则化系数
正则化是用来防止过拟合的，但当模型出现欠拟合现 象时，则需要有针对性地减小正则化系数
