问题1： 在模型评估过程中，过拟合和欠拟合具体指什么现象？
过拟合是指模型对于训练数据拟合过当的情况。反应到评估指标上就是模型在训练数据上表现的很好，但在测试集和新数据上表现较差。
欠拟合指的是在训练集和测试集上表现的都不好的情况。
问题2：能否说出几种降低过拟合与欠拟合的方法
- 降低“过拟合”的方法
- 增加训练数据。使用更多的训练数据是解决过拟合的最有效的手段，因为更多的数据能让模型学习到更多的有效特征，减小噪声的影响。当然，直接增加实验数据一般是困难的，但是可以通过一定的规则来扩充训练数据。比如，在图像分类的问题上，可以通过图像的平移、旋转、缩放等方法扩充数据；更进一步的，可以使用生成式对抗网络（GAN）来合成大量的新数据。
- 降低模型复杂度。在数据较少时，模型过于复杂是产生过拟合的主要因素，适当降低模型复杂度可以避免模型拟合过多的采样噪声。例如，在神经网络模型中减少网络层数、神经元个数等；在决策树模型中降低树的深度、进行剪枝等/
- 正则化的方法。给模型的参数加上一定的正则约束。比如将权值的大小加入到损失函数中。
- 集成学习方法。集成学习方法是把多个模型集成在一起投票，来降低单一模型的过拟合风险，如bagging等。
- 降低“欠拟合”的方法
- 添加新特征。当特征不足或者现有特征与样本特征标签的相关性不强时，模型容易出现欠拟合。通过挖掘“上下文特征”、“ID类特征”、“组合特征”等新的特征，往往能够取得更好的效果。在深度学习中，有很多的模型可以帮助完成特征工程，如因子分解机、梯度提升决策树、deep-crossing等都可以成为丰富特征的方法。
- 增加模型复杂度。简单的模型学习能力较差，通过增加模型的复杂度可以使模型拥有更强的拟合能力。例如在线性模型中添加高次项，在网络模型中增加网络层数或神经元个数。
- 减小正则化系数。正则化是用来防止过拟合的，但当模型出现欠拟合现象时，则需要针对性的减小正则化系数。
