过拟合，欠拟合与模型的容量息息相关。模拟的容量指其拟合数据的能力，容量低的模型难以拟合训练，出现欠拟合，容量高的模型则过拟合。

数据和模型容量不匹配，是过拟合出现的原因。那么为了解决过拟合，一是从数据角度：增加数据来源，或使用data augmentation的一些方法扩充数据。

从增加模型容量角度可以做的改变就更多了。一种是选择假设空间（hypothesis space）即改变学习算法的函数集，如一阶转高阶，改变模型的选择；或者使用正则化项控制算法的性能，降低泛化误差。在深度学习中，对于深度神经网络，还可以使用减少网络层数，神经元个数，缩短训练时间，增加（数据，权值，输出）的噪声, 使用dropout随机抛弃掉一些神经元。

另一种思路是通过设置验证集或交叉验证或者使用多模型集成学习（bagging, boosting），来控制学习算法的超参数，所谓超参数，如模型的阶数，权重衰减率等，如果在训练集上训练超参数，这些超参数总是趋向最大可能的拟合模型，所以将数据分成两个不相交子集，一个用于训练，一个用于验证。