问题

线性回归或是逻辑回归，都有可能会遇到过度拟合的问题，导致他们表现欠佳
采用正则化技术
可以改善或者减少过度拟合的问题

举例

欠拟合

欠拟合，也称为高偏差，数据集没有很好的训练模型
（罔顾数据的偏差，执意拟合成一条直线）

过拟合

过拟合，也称为高方差，虽然模型符合所有的数据点，但不能满足预测需求

定义

千方百计地训练模型使它适应当前数据集，导致它无法泛化到新的样本中，从而无法预测新样本的价格
“泛化”：一个假设的模型应用到新样本的能力

解决

可通过调试（debugging）和诊断（diagnosing）
使用专门工具识别和解决欠拟合和过拟合的现象

一维二维可通过可视化辨别
但是当特征值较多时，通过数据可视化将不现实

当特征值较多而数据集较少的时候就容易发生过拟合现象

有这样两种方法可以避免欠拟合和过拟合

1. 减少特征值
   1. 人工选择重要的
   2. 通过算法自动选择特征值
2. 正则化
   1. 后续详解