对于机器学习或者是深度学习模型来说，我们既希望这个模型能在训练数据中表现良好(训练误差)，又希望这个模型在测试集中也能有良好的表现(泛化误差)。而过拟合和欠拟合就是用来描述泛化误差的。欠拟合问题与过拟合问题，一直是模型训练中的难题，我们常常需要对这二者进行权衡，今天小编给大家整理、分享的就是欠拟合问题产生的原因以及解决办法，希望对大家有所帮助。
一、什么是欠拟合
欠拟合underfiting / high bias，就是指模型不能在训练集上获得足够低的误差，在训练集、验证集以及测试集上均表现不佳的情况。用偏差和方差来解释就是，欠拟合的时候为高偏差(偏差描述的是模型的期望输出与真实输出之间的差异)。
出现欠拟合的原因是模型尚未学习到数据的真实结构。因此欠拟合可以简单理解为：模型对训练数据的信息提取不充分，并没有学习到数据背后的规律，导致模型应用在测试集上时，无法做出正确的判断。
欠拟合，模型拟合程度不高，数据距离拟合曲线较远，不能够很好地拟合数据。
二、欠拟合解决办法
1、做特征工程，添加其他特征项，有时候欠拟合出现的原因是：特征项不够，没有足够的信息支持模型做判断。这时候我们可以通过添加其他特征项来解决。例如，“组合”、“泛化”、“相关性”、“上下文特征”、“平台特征”等等，都能够作为特征添加的首选项。
2、添加多项式特征，这种做法在机器学习算法里面很常用，举个例子，比如将线性模型通过添加二次项或者三次项使模型泛化能力更强。
3、减少正则化参数，正则化的目标是：防止过拟合的，现在模型是欠拟合，就需要减少正则化参数。
4、增加模型复杂度。模型如果太简单，就不能应对复杂的任务。我们可以通过使用更加复杂的模型，来减小正则化系数。比如可以使用核函数，集成学习方法(集成学习方法boosting(如GBDT)能有效解决high bias)，深度学习等。
以上就是小编今天跟大家分享的一些欠拟合的相关知识，希望对大家处理和解决欠拟合问题有所帮助。其他机器学习和深度学习的知识，小编也会继续整理，希望大家多多关注。
数据分析咨询请扫描二维码
若不方便扫码，搜微信号：CDAshujufenxi
在数据库日常操作中，INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表（或查询结果集）的数 ...
2025-10-16在机器学习建模中，“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度，还是神经网络的权重，这 ...
2025-10-16在数字化浪潮中，“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法， ...
2025-10-16在大模型从实验室走向生产环境的过程中，“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型，若在高并发 ...
2025-10-15在机器学习入门领域，“鸢尾花数据集（Iris Dataset）” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中，零散的指标（如 “GMV”“复购率”）就像 “散落的零件”，无法支撑系统性决策；而科学的指标体系，则 ...
2025-10-15在神经网络模型设计中，“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少，模型可能 “欠拟合”（无法捕捉数据 ...
2025-10-14在数字化浪潮中，数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息，又要能将分 ...
2025-10-14在企业数据驱动的实践中，“指标混乱” 是最常见的痛点：运营部门说 “复购率 15%”，产品部门说 “复购率 8%”，实则是两者对 ...
2025-10-14在手游行业，“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度，更直接决定了后续 ...
2025-10-13分库分表，为何而生？ 在信息技术发展的早期阶段，数据量相对较小，业务逻辑也较为简单，单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中，“数据孤岛” 是普遍面临的痛点：用户数据散落在 APP 日志、注册系统、客服记录中，订单数据分散在交易 ...
2025-10-13在数字化时代，用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”，到视频 APP 的 “打开→搜索→观看→收藏”，再到银 ...
2025-10-11在机器学习建模流程中，“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中，未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储，CDA（Certified D ...
2025-10-11在 SQL Server 数据库操作中，“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选，还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中，正交试验（Orthogonal Experiment）因 “用少量试验覆盖多因素多水平组合” 的高效性，成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中，“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”：各部门数据口 ...
2025-10-10在深度学习中，“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术：损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入，拆解两种方法的核心适用条件、场景边界与实战选择逻辑，结合医学、工业、教育领域的案例，让你明确 ...
2025-10-09
京公网安备 11010802034615号
经营许可证编号：京B2-20210330
