模型欠拟合是什么?

模型的欠拟合：全面解析

一、定义与核心概念

欠拟合（Underfitting）是指模型在训练数据、验证数据和测试数据上均表现不佳的现象。其本质是模型过于简单或学习能力不足，无法捕捉数据中的潜在规律和复杂关系，导致泛化能力差。例如，用线性模型拟合非线性数据时，模型无法描述数据的真实分布，即典型的欠拟合场景。

二、欠拟合的主要原因

1. 模型结构过于简单
   模型复杂度不足是欠拟合的核心原因。例如：

   • 线性模型（如线性回归）用于非线性问题；
   • 神经网络层数或神经元过少，无法表达复杂函数；
   • 决策树深度不足，未能覆盖数据的关键划分。

2. 特征工程不足

   • 输入特征数量不足或质量差，导致模型无法提取有效信息；
   • 缺乏关键特征（如未进行多项式扩展、交叉特征生成）。

3. 训练过程缺陷

   • 训练时间过短，模型未充分学习；
   • 正则化过强（如L2正则化系数过大），抑制了模型的学习能力；
   • 超参数设置不当（如学习率过低）。

4. 数据问题

   • 训练数据量过少，模型无法覆盖真实分布；
   • 数据噪声过多，干扰模型对核心规律的捕捉。

三、欠拟合的典型表现

1. 误差特征
   • 训练误差（Training Error）和测试误差（Test Error）均较高，且两者差距较小；