欠拟合（Underfitting）

欠拟合（Underfitting）是指机器学习模型未能充分拟合训练数据，只能给出低精度预测的状态。 其原因在于模型过于简单，无法捕捉数据背后的重要模式与结构，特点是在训练数据和测试数据上的表现都不佳。 例如，当数据中存在非线性的复杂关系时，若尝试用简单的线性模型（直线）进行预测，就会发生欠拟合。 这也可以称为"学习不足"或"过度简化"，通常在模型的表达能力不足以胜任任务时出现。 导致欠拟合的主要原因： • 模型过于简单（如用线性回归预测复杂关系） • 特征量不足，或缺失重要信息 • 训练不充分（训练轮数过少等） • 正则化过强，限制了模型的自由度 避免或改善欠拟合的对策包括： • 选择更复杂的模型（如神经网络等） • 增加或改进特征工程 • 增加训练时间（训练轮数） • 降低正则化强度 欠拟合是模型性能未得到充分发挥的状态，与过拟合（Overfitting）形成对比。 在机器学习中，避免这两种极端状态、找到适当平衡（即优化泛化性能）至关重要。