論智2018-06-28 14:02:47如果結果可以視覺化結果的話，值得嘗試一下。很多時候，視覺化結果之後，能夠很明顯地看出過擬合。
顯然，上圖中的模型過擬合了。
當結果不方便視覺化，或者可視化了之後也看不出什麼名堂的時候，我們可以透過視覺化ROC-AUC曲線來判斷過擬合還是欠擬合。
過擬合，簡單來說就是在訓練集上表現很好，但在測試集上表現不好。所以，如果兩條曲線距離很大，那很有可能出現了過擬合現象。
上圖中，藍色為在訓練集上的AUC，綠色為在測試集上的AUC。
相反，如果兩條曲線非常接近，同時評分都不高，那就很有可能碰到了欠擬合。
同樣，上圖中，藍色表示訓練集，綠色表示測試集。
除此之外，還有一種不太穩定地粗略判斷過擬合與欠擬合的方法。
一般而言，過擬合更容易出現預測結果偏置（bias）較低而方差（variance）較高的情況，而欠擬合則更容易出現預測結果偏置較高和方差較低的情況。
本回答中的圖片均來自論智授權編譯的Open Machine Learning Course（機器學習開放課程）。
