欠拟合（Underfitting）
欠拟合指模型太简单、训练不足或特征不足，连训练数据中的基本规律也没有学好。
欠拟合（Underfitting）
欠拟合是模型没有学到数据中的基本规律。它是什么？一句话说，欠拟合就是模型太简单、训练不够或特征不够，连训练集上的题都做不好。
图片说明：原创图示，展示过于简单的模型曲线无法捕捉数据里的明显趋势。
它解决什么问题
欠拟合提醒你：模型表现差不一定是“泛化很严格”，也可能是根本没学会。常见原因包括：
- 模型容量太小，表达不了数据里的规律。
- 训练时间太短或优化设置不合适。
- 特征太弱，关键信息没有进入模型。
- 正则化太强，把模型限制得过死。
和相邻概念的边界
| 概念 | 表现 | 边界 |
|---|---|---|
| 欠拟合 | 训练和验证都差 | 模型连基础规律都没学到。 |
| 过拟合 | 训练好、验证差 | 模型学得太贴训练集。 |
| 正则化 | 控制复杂度 | 太强可能造成欠拟合。 |
| 泛化能力 | 新数据表现 | 欠拟合不是好泛化，而是整体能力不足。 |
边界要说清：欠拟合不是“很稳健”，而是模型能力或训练过程不够。 如果训练集都做不好，新数据通常也不会突然变好。
常见误解
误解 1：验证集和训练集差距小就是好事
不一定。如果两边都很差，那不是泛化好，而是欠拟合。
误解 2：欠拟合只要加数据就能解决
不一定。如果模型太简单或特征缺失，加同类数据也可能仍然学不会。
误解 3：越强的正则化越安全
不对。正则化过强会压制模型学习能力，导致欠拟合。
继续阅读链接
- 过拟合（Overfitting）：理解另一种常见失败模式。
- 正则化（Regularization）：理解约束太强为什么会出问题。
- 训练数据（Training Data）：理解特征和样本覆盖。
- 泛化能力（Generalization ability）：理解最终评估目标。