过拟合和欠拟合怎么解决：机器学习模型调优实战指南
人工智能项目
过拟合和欠拟合怎么解决：机器学习模型调优实战指南
用训练分数和验证分数判断过拟合与欠拟合，并通过模型复杂度、正则化、交叉验证和特征工程调整机器学习模型。
人工智能项目

过拟合和欠拟合怎么解决：机器学习模型调优实战指南

阅读信息

难度: 实战 阅读时间: 10 分钟
  • Overfitting
  • Cross Validation
  • Model Tuning
打开知识图谱

机器学习模型训练完以后，最常见的困惑是：训练集分数很高，测试集分数却很低；或者训练集和测试集分数都不高，怎么调都上不去。这两个问题通常对应过拟合和欠拟合。

这篇文章用可运行的 Python 示例解释过拟合、欠拟合和模型调优。读完以后，你应该能通过训练分数和验证分数判断问题类型，并知道优先从数据、模型复杂度、正则化和交叉验证哪一步下手。

如果你刚刚完成 模型训练与评估入门，这篇就是下一步：从“会看指标”进入“会诊断模型”。

一、过拟合和欠拟合是什么意思

过拟合 是模型把训练数据里的细节甚至噪声也记住了。表现是训练集分数很高，但验证集或测试集分数明显低。

欠拟合 是模型太简单，连训练数据里的主要规律都没学好。表现是训练集分数低，验证集分数也低。

可以用一句话记住：

  • 训练集高、验证集低：优先怀疑过拟合
  • 训练集低、验证集低：优先怀疑欠拟合
  • 训练集和验证集都高：模型当前比较健康

二、用决策树演示模型复杂度

决策树很适合演示过拟合，因为树越深，越容易记住训练样本里的细节。下面的代码用不同深度的决策树比较训练集和验证集准确率。

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier


X, y = load_breast_cancer(return_X_y=True)

X_train, X_test, y_train, y_test = train_test_split(
    X,
    y,
    test_size=0.25,
    random_state=42,
    stratify=y,
)

for depth in [1, 2, 3, 4, 6, 10, None]:
    model = DecisionTreeClassifier(max_depth=depth, random_state=42)
    model.fit(X_train, y_train)

    train_score = model.score(X_train, y_train)
    test_score = model.score(X_test, y_test)
    print(f"max_depth={depth}: train={train_score:.3f}, test={test_score:.3f}")

保存为 decision_tree_depth_demo.py 后运行：

python decision_tree_depth_demo.py

你通常会看到浅树训练分数不高，说明表达能力有限；树越来越深时，训练分数会上升，但测试分数不一定继续提升。这就是模型复杂度带来的典型权衡。

三、如何判断是过拟合还是欠拟合

不要只看一个测试集分数。更可靠的诊断方式是同时记录训练分数和验证分数。

  • 欠拟合：训练分数低，验证分数也低，说明模型没学到足够规律
  • 过拟合：训练分数高，验证分数低，说明模型记住了训练数据细节
  • 数据不足：训练分数波动大，验证分数不稳定，可能需要更多样本或交叉验证
  • 指标选错：accuracy 很高但业务效果差，可能类别不平衡或错误成本不同

这也是为什么 机器学习完整流程 里要强调训练集、验证集和测试集拆分。没有可靠评估，就无法判断模型到底出了什么问题。

四、过拟合怎么解决

过拟合的核心问题是模型太容易记住训练数据。常见解决方向如下：

  • 降低模型复杂度：限制树深度、减少特征数量、使用更简单模型
  • 增加正则化：线性模型调大正则强度，神经网络可加 weight decay 或 dropout
  • 增加数据量：更多样本能减少模型记住偶然噪声的机会
  • 做数据增强：图像、文本、语音任务中尤其常见
  • 交叉验证：减少只依赖一次划分带来的偶然性
  • 提前停止：验证集效果不再提升时停止训练

如果是树模型，先限制 max_depth、min_samples_leaf 和 min_samples_split。如果是逻辑回归，先调正则化参数 C。

五、欠拟合怎么解决

欠拟合的核心问题是模型表达能力不够，或者输入特征没提供足够信息。常见解决方向如下：

  • 换更强模型：从线性模型换到树模型、集成模型或神经网络
  • 增加有意义特征：补充领域变量、交互特征或时间窗口特征
  • 减少过强正则化：正则化太强会让模型学不动
  • 训练更久：深度学习任务中，训练轮数太少可能欠拟合
  • 检查标签质量：标签噪声严重时，模型很难学到稳定规律

欠拟合不是简单地“把模型调大”。如果原始特征没有信息，模型再复杂也只能学习噪声。

六、用交叉验证减少误判

一次训练测试拆分可能刚好碰到容易或困难的样本，导致判断不稳定。交叉验证可以让模型在多次不同划分上评估，结果更可靠。

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import cross_val_score
from sklearn.tree import DecisionTreeClassifier


X, y = load_breast_cancer(return_X_y=True)

for depth in [2, 3, 4, 6, None]:
    model = DecisionTreeClassifier(max_depth=depth, random_state=42)
    scores = cross_val_score(model, X, y, cv=5, scoring="accuracy")
    print(f"max_depth={depth}: mean={scores.mean():.3f}, std={scores.std():.3f}")

如果要单独验证交叉验证结果，可以把这一段保存为 tree_cross_validation_demo.py 后运行：

python tree_cross_validation_demo.py

mean 代表平均表现，std 代表不同划分之间的波动。平均值高但波动也很大时，说明模型稳定性仍然需要检查。

七、一个实用调优顺序

不要一上来就大范围网格搜索。更稳的调优顺序是：

  1. 先确认数据拆分没有泄漏。
  2. 训练一个简单基线模型。
  3. 记录训练分数和验证分数。
  4. 判断是欠拟合还是过拟合。
  5. 只改一类因素，例如模型复杂度或正则化。
  6. 用交叉验证确认提升不是偶然结果。
  7. 最后用独立测试集做一次最终评估。

这个顺序比“同时改模型、特征、参数、数据划分”更容易复盘。机器学习调优最怕不可解释的提升，因为你不知道下次能不能复现。

八、常见问题 FAQ

训练准确率 100% 一定是好事吗？

不一定。如果验证集或测试集明显低，训练准确率 100% 反而可能说明模型过拟合。要同时看训练分数和验证分数。

测试集分数低一定是模型不够强吗？

不一定。也可能是数据泄漏修正后分数回落、标签质量差、训练测试分布不同，或者评估指标不适合当前任务。

过拟合时应该删特征吗？

可以考虑，但不要盲删。优先检查特征是否泄漏未来信息、是否重复表达同一信号、是否只在训练数据里有效。保留有业务含义且稳定的特征。

交叉验证能替代测试集吗？

不能。交叉验证适合模型选择和调参，最终仍建议保留一个独立测试集，用来估计模型在未参与选择的数据上的表现。

九、下一步阅读

过拟合和欠拟合是机器学习调优的核心诊断方法。继续学习可以回到 Python 人工智能小实战，把这套诊断方法应用到完整 scikit-learn 分类流程里。

内部链接

相关阅读

补基础 模型训练与评估入门：损失函数、过拟合和准确率怎么理解

讲清楚模型训练中的参数、损失函数、梯度下降、过拟合，以及准确率、召回率、F1 等分类评估指标。

 继续下一篇 神经网络基础：从感知机到多层网络

从一个神经元讲起，解释权重、偏置、激活函数、前向传播、反向传播和典型神经网络训练循环。

 学习路线 AI 学习路线

按顺序阅读 AI 基础、机器学习、CNN、流量防御和 AI 安全内容。

 专题页 学生 AI 项目

把手写数字、浏览器实验台和 CNN 项目串成作品集路线。

 知识图谱 知识图谱

查看这篇文章和项目、资源、路线之间的关系。

搜索问题

常见问题

这篇文章适合谁读？

这篇文章适合想用 实战 难度理解“过拟合和欠拟合怎么解决：机器学习模型调优实战指南”的读者，预计阅读时间约 10 分钟，重点覆盖 Overfitting, Cross Validation, Model Tuning。

读完后下一步应该看什么？

推荐下一步阅读“神经网络基础：从感知机到多层网络”，这样可以把当前知识点接到更完整的学习路线里。

这篇文章有没有可运行代码或配套资源？

有。页面里的运行说明、资源卡片和下载入口会指向复现实验所需的命令、数据、代码或说明文件。

这篇文章和整个网站的学习路线有什么关系？

它会通过文章上下文、学习路线、资源库和项目时间线连接到同一主题下的其他内容。

文章上下文

人工智能项目

从 AI、机器学习、训练评估、神经网络到 Python 小实战、手写数字识别、CIFAR-10 CNN、对抗性流量防御和 AI 安全攻防，按顺序建立基础。

难度: 实战 阅读时间: 10 分钟
  • Overfitting
  • Cross Validation
  • Model Tuning

继续下一步

继续：神经网络基础
先补基础 查看项目
对应语言版本 整理中
可分享摘要 过拟合和欠拟合怎么解决：机器学习模型调优实战指南

用训练分数和验证分数判断过拟合与欠拟合，并通过模型复杂度、正则化、交叉验证和特征工程调整机器学习模型。

下载分享图 打开分享中心

发表回复

项目时间线

已发布文章

  1. 人工智能基础学习路线：先理解什么是 AI、机器学习和深度学习 面向有编程基础的读者，梳理 AI、机器学习、深度学习的关系，并给出可执行的人工智能基础学习路线。
  2. 机器学习完整流程：从数据、特征到模型预测 从工程视角拆解机器学习完整流程：定义问题、理解数据、处理特征、训练模型、预测和评估。
  3. 机器学习算法怎么选：分类、回归、聚类和推荐场景对照表 用任务类型、数据规模、解释性和部署成本选择机器学习算法，覆盖逻辑回归、决策树、随机森林、K-means 和表格数据基线模型。
  4. 特征工程入门实战：用 scikit-learn 处理缺失值、类别变量和数值标准化 用 scikit-learn Pipeline 和 ColumnTransformer 完成特征工程，处理缺失值、类别变量、数值标准化，并避免数据泄漏。
  5. 模型训练与评估入门：损失函数、过拟合和准确率怎么理解 讲清楚模型训练中的参数、损失函数、梯度下降、过拟合，以及准确率、召回率、F1 等分类评估指标。
  6. 过拟合和欠拟合怎么解决：机器学习模型调优实战指南 用训练分数和验证分数判断过拟合与欠拟合，并通过模型复杂度、正则化、交叉验证和特征工程调整机器学习模型。
  7. 神经网络基础：从感知机到多层网络 从一个神经元讲起，解释权重、偏置、激活函数、前向传播、反向传播和典型神经网络训练循环。
  8. Python 人工智能小实战：用 scikit-learn 完成一个分类任务 使用 scikit-learn 内置教学数据集跑通一个分类任务，覆盖数据加载、拆分、标准化、训练、预测、评估和实验记录。
  9. 手写数字识别项目入门：先读懂 train.csv、test.csv 和标签结构 从项目文件结构入手，读懂手写数字训练集、测试集、标签列和 784 维像素输入，为后续 C 分类器和实验台打基础。
  10. 用 C 实现手写数字 Softmax 分类器：从 784 维像素到 submission.csv 结合当前项目源码，讲清楚 softmax 多分类、损失函数、梯度更新、混淆矩阵输出，以及 submission.csv 的生成过程。
  11. 手写数字实验记录：怎么把离线分类项目接进浏览器实验台 解释浏览器实验台为什么采用轻量预训练模型、它和离线 C 项目的关系，以及如何用样本浏览和手绘输入理解预测结果。
  12. CIFAR-10 Tiny CNN 教程：用 C 语言实现小型卷积神经网络图像分类 用单文件 C 程序完成 CIFAR-10 小型 CNN 图像分类，讲解数据格式、网络结构、训练命令、loss、accuracy、常见错误和改进方向。
  13. 构建高熵流量防御：基于 Python 的连接层白噪声混淆与对抗性机器学习实践 以 mld_chaffing_v2.py 虚幻镜项目为例，讲解加密元数据泄漏、信息熵、分布距离、混淆矩阵、空闲窗口微脉冲和性能测试取舍。
  14. AI 安全威胁建模：用 NIST AML、MITRE ATLAS 和 OWASP 建立攻防地图 用 NIST Adversarial ML、MITRE ATLAS 和 OWASP LLM Top 10 建立 AI 安全威胁模型，覆盖资产、攻击面、证据和剩余风险。
  15. 对抗样本与鲁棒评估：从 FGSM 公式到 scikit-learn 数字分类实验 从 FGSM 公式解释对抗样本，用 scikit-learn digits toy 实验评估 clean accuracy、perturbed accuracy 和扰动预算。
  16. 数据投毒与后门攻击防御：污染率、触发器和训练管线隔离 用 toy digits 实验解释数据投毒、后门触发器、attack success rate、数据来源审计和训练管线隔离。
  17. 模型隐私与模型窃取风险：成员推断、模型抽取和输出接口防护 用本地 toy 实验解释成员推断、模型抽取、membership AUC、surrogate fidelity、输出最小化和查询治理。
  18. LLM/RAG/Agent 安全：Prompt Injection、工具权限和边界感知防护 从 RAG 和 Agent 架构解释 prompt injection、外部数据降权、工具 allowlist、人工审批和边界感知防护。
  19. 人工智能 NLP 基础：词袋模型与 TF-IDF 详解 介绍自然语言处理中最基础的文本表示方法：词袋模型（Bag of Words）与 TF-IDF，理解它们的工作原理及优缺点。
  20. 循环神经网络 (RNN) 基础：处理序列数据的记忆力 理解 RNN 的核心思想、隐藏状态的作用，以及它在处理自然语言序列任务时的优势与挑战。
  21. Transformer 与自注意力机制：AI 领域的革命性突破 深入浅出地讲解 Transformer 架构的核心：自注意力机制（Self-Attention）及其运作方式。
  22. 用 C 从零实现 CIFAR-10 Tiny CNN：卷积、池化和反向传播 基于实际 cifar10_tiny_cnn.c 项目，讲解 CIFAR-10 数据格式、3x3 卷积、ReLU、最大池化、全连接层、softmax、反向传播和本地运行方式。

已公开资源

  1. Python AI 小实战代码说明 文章内包含可直接复制运行的 scikit-learn 分类脚本。
  2. digit_softmax_classifier.c 手写数字 softmax 分类器的 C 语言源码。
  3. train.csv.zip 手写数字训练集压缩包，包含 42000 条带标签样本。
  4. test.csv.zip 手写数字测试集压缩包，包含 28000 条待预测样本。
  5. sample_submission.csv 官方提交格式示例，可直接对照最终输出字段。
  6. submission.csv 当前 C 项目跑出的预测结果文件。
  7. digit-playground-model.json 浏览器实验台使用的轻量 softmax 演示模型与样本。
  8. digit-sample-grid.svg 从训练集中抽取的小型手写数字预览网格。
  9. 手写数字项目打包下载 包含源码、压缩数据、提交文件、浏览器模型和样本预览图。
  10. cifar10_tiny_cnn.c 源码 单文件 C 语言 tiny CNN，包含 CIFAR-10 读取、卷积、池化、softmax 和反向传播。
  11. model_weights.bin 样例权重 一次本地小样本运行生成的模型权重文件。
  12. test_predictions.csv 预测样例 CIFAR-10 tiny CNN 输出的测试预测样例。
  13. CNN 项目说明 PDF 配套 CNN 项目说明材料。
  14. 虚幻镜脱敏代码骨架 去除控制口令、真实节点和目标列表后的 mld_chaffing_v2.py 控制流程说明。
  15. 虚幻镜压力测试记录模板 用于记录 CPU、内存、线程峰值、微脉冲速率、延迟和错误数的脱敏 CSV 模板。
  16. 虚幻镜分类器评估模板 用于记录 TP、FN、FP、TN、accuracy、precision、recall、F1、ROC-AUC、熵和 JS 散度的 CSV 模板。
  17. 虚幻镜资源说明 说明公开资源为何只提供脱敏代码、测试模板和架构笔记。
  18. AI Security Lab 说明 说明 AI 安全攻防系列的安全边界、安装命令和 quick-run 实验。
  19. AI Security Lab 完整实验包 包含安全 toy scripts、结果 CSV、风险登记表、攻防矩阵和架构图。
  20. AI 安全风险登记表 面向 AI 威胁建模和上线评审的 CSV 风险登记模板。
  21. AI 攻防矩阵 把攻击面、toy demo、指标和防护控制映射到一张 CSV 表。
  22. AI Security Lab 架构图 展示威胁建模、鲁棒评估、数据完整性、模型隐私和 RAG 防护之间的关系。
  23. FGSM digits 鲁棒评估脚本 本地 digits 分类器的 FGSM-style 扰动和准确率下降实验。
  24. 数据投毒与后门 toy 脚本 用 digits 数据演示污染率、触发器和 attack success rate。
  25. 模型隐私与抽取 toy 脚本 输出 membership AUC、target accuracy、surrogate fidelity 和 surrogate accuracy。
  26. RAG prompt injection guard toy 脚本 用确定性 toy agent 演示外部数据降权和工具权限阻断。
  27. 深度学习专题分享图 用于分享深度学习 / CNN 专题页的 1200x630 SVG 图。
  28. 从零实现机器学习分享图 用于分享 K-means、Iris 和机器学习流程专题页的 1200x630 SVG 图。
  29. 学生 AI 项目分享图 用于分享手写数字、C 分类器和浏览器实验台专题页的 1200x630 SVG 图。
  30. CNN 卷积扫描动画 Remotion 生成的 8 秒短动画，展示 3x3 卷积核如何扫描输入并形成特征图。

当前学习路线

  1. 人工智能基础学习路线 学习路线节点
  2. 机器学习完整流程 学习路线节点
  3. 机器学习算法怎么选 学习路线节点
  4. 特征工程入门实战 学习路线节点
  5. 模型训练与评估入门 学习路线节点
  6. 过拟合和欠拟合怎么解决 学习路线节点
  7. 神经网络基础 学习路线节点
  8. Transformer 自注意力机制 学习路线节点
  9. LLM 可视化教学台 学习路线节点
  10. Python 人工智能小实战 学习路线节点
  11. 手写数字数据结构入门 学习路线节点
  12. 用 C 实现手写数字 Softmax 分类器 学习路线节点
  13. 手写数字实验台说明 学习路线节点
  14. CIFAR-10 Tiny CNN 教程 学习路线节点
  15. 高熵流量防御实验 学习路线节点
  16. AI 安全威胁建模 学习路线节点
  17. 对抗样本与鲁棒评估 学习路线节点
  18. 数据投毒与后门防御 学习路线节点
  19. 模型隐私与模型抽取防护 学习路线节点
  20. LLM/RAG/Agent 安全 学习路线节点

下一步计划

  1. 补充更多图像分类和误差分析案例
  2. 把常见指标整理成速查表
  3. 继续补充 AI 安全防御实验记录