机器学习中数据量多少与模型过拟合欠拟合之间的关系

参考链接：https://blog.csdn.net/insular_island/article/details/39099721 

1、从模型方面考虑。举例说明：本身问题是二次的，用线性模型处理问题就是欠拟合，用三次及更高次处理问题就是过拟合。但是这里未考虑数据量的多少，只是针对本身模型阶次的考虑。而且现实问题，特别是深度模型处理的问题，并不是简单的就能确定模型复杂度的。

2、处理相同的问题时，在数据量多的情况，可以用相对复杂的模型处理问题，在数据量少的情况下，可以用相对简单的模型处理问题。过拟合，当数据量太少时，模型无法完成充分的训练，容易过度拟合的符合少量的训练数据特征，对测试数据效果不好；欠拟合，数据量太多，模型太简单没有充分的利用到数据。

3、欠拟合：根本原因是特征维度过少，模型过于简单，但是数据量很大，所需模型用不完大量数据提供的信息，误差较大； 
　　　　　  解决方法：（1）增加特征维度； 
　 过拟合：根本原因是特征维度过多，模型假设过于复杂，参数过多，训练数据过少，噪声过多，导致拟合的函数完美的预测训练集，但对新数据的测试集预测结果差。 过度的　　　　 拟合了训练数据，而没有考虑到泛化能力。
　　　　　 解决方法：（1）减少特征维度；（2）正则化，降低参数值。

转载于:https://www.cnblogs.com/simpleDi/p/10582878.html