过拟合和欠拟合的概念
过拟合：模型训练误差远小于在测试数据集上的误差，也就是说数据在训练时模型的预测效果好，但是在测试的数据上(要预测的新数据)不能很好的进行预测。
欠拟合：模型无法得到较低的训练误差，也就是说，在训练数据的过程中，就不能很好的对数据进行预测。
主要因素模型复杂度和训练数据集大小
模型复杂度
为了解释模型复杂，以简单多项式函数拟合为例。给定一个由标量数据特征 x 和对应的标量标签 y 组成的训练数据集，多项式函数拟合的目标是找一个 K 阶多项式函数来近似 y 。
在上式中，
问题：拿到一个图，不怎么怎么区分是过拟合还是欠拟合
图1：
图2：
图3：
1.观察图：
图1：train loss>>test loss 训练误差（10^3）较大
图2：test loss >> train loss 训练误差（10^1）较小
图3: test loss = train loss
2.得出：
图1 模型训练还没得到较好结果，因此欠拟合
图2 模型训练取得较好结果，但是模型测试结果不好，因此过拟合
图3 训练和测试同分布，正常
影响拟合
