书名：计算机视觉40例从入门到深度学习：OpenCV-Python
作者：李立宗
出版社：电子工业出版社
出版时间：2022-07-01
ISBN：9787121436857

第15章 机器学习导读

15.2 机器学习基础概念

15.2.4 模型的拟合

一、拟合定义

• 拟合
  是指用训练数据构造一个表达式，该表达式的曲线与训练数据及测试数据的分布基本一致。
• 在机器学习中，拟合是指根据已知数据构造一个模型，该模型能够预测测试数据。

二、欠拟合和过拟合

• 在具体实现时，可能会产生欠拟合和过拟合。
  图15-15显示了拟合的不同情况，图中的实心圆点是训练数据，空心圆点是测试数据（未知数据）。

  
  图15-15 拟合的不同情况

• 左图：
  对应一个二次函数（y=a（x-b）2+c），是拟合良好状态，表达式对应的曲线与训练数据分布大致一致，能够用来预测未知数据。

• 中间图：
  对应一个一次函数（y=kx+b），是欠拟合状态，表达式对应的曲线只能与训练数据中的部分数据的分布一致。
  这说明，在学习时没有完整地把握训练数据的规律；此时，曲线不能拟合训练数据的大致分布，更不能用来计算未知数据。

• 右图：
  对应一个高次函数（y=ax9+bx8+cx7+dx6+ex5+fx4+gx3+hx2+ix+j），是过拟合状态，表达式对应的曲线精准地与所有训练数据分布一致，导致泛化性能下降。
  此时，曲线能高度精准地拟合训练集，但对测试集的预测能力较差。

三、示例

例如，甲、乙、丙都通过一段演唱会的录音来学习歌手L的歌。再唱一首L的新歌时，他们的表现不太一样。

• 甲：唱风很像L，是拟合良好状态。
• 乙：唱风只有一点像L，是欠拟合状态。
• 丙：像L在开演唱会，不仅有歌声，还夹杂着听众的喝彩、尖叫，是过拟合状态。