定义：指模型在训练集上的效果很好,在测试集上的预测效果很差

1.         数据有噪声
2.         训练数据不足，有限的训练数据
3.         训练模型过度导致模型非常复杂

        模型复杂度低或者数据集太小,对模型数据的拟合程度不高,因此模型在训练集上的效果就不好。

1. 模型复杂度不足：模型的复杂度不足以拟合数据的真实分布。例如，线性模型无法捕捉到非线性关系。
2. 特征选择不当：选择的特征无法很好地描述数据的特性。例如，某些重要特征被忽略或特征提取不充分。
3. 训练数据量不足：训练数据量过小，无法涵盖数据的全貌，导致模型无法充分学习

• 增加样本的数量：增加训练数据的数量，使模型能够更充分地学习数据的规律。可以通过数据增强、采集更多的数据或合成数据等方法来增加训练数据。
• 增加样本特征的个数：选择更多的特征，以更好地描述数据的特性。可以通过特征工程或特征选择方法来获取更多的特征。
• 增加模型复杂度：增加模型的复杂度，使其能够更好地拟合数据的真实分布。例如，使用高阶多项式模型或非线性模型。
•  可以进行特征维度扩展
•  减少正则化参数
•  使用集成学习方法，如Bagging