用什么方法可以判断欠拟合和过拟合？

用什么方法可以判断欠拟合和过拟合？

欠拟合和过拟合没有明确的定义分界。
明显的未充分利用数据，拟合结果不符合预期，甚至不能有效拟合训练集，我们可以认为欠拟合。
考虑过多，超出自变量的一般含义维度，过多考虑噪声，会造成过拟合。
可以认为预测准确率、召回率都比理论上最佳拟合函数低很多，则为欠拟合。
训练集预测效果好，测试集预测效果差，则为过拟合。
过拟合：
当某个模型过度的学习训练数据中的细节和噪音，以至于模型在新的数据上表现很差，我们称过拟合发生了。这意味着训练数据中的噪音或者随机波动也被当做概念被模型学习了。而问题就在于这些概念不适用于新的数据，从而导致模型泛化性能的变差。简单理解就是训练样本的得到的输出和期望输出基本一致，但是测试样本输出和测试样本的期望输出相差却很大 。为了得到一致假设而使假设变得过度复杂。
欠拟合：
欠拟合指的是模型在训练和预测时表现都不好的情况。一个欠拟合的机器学习模型不是一个良好的模型并且由于在训练数据上表现不好这是显然的。