过拟合与欠拟合：模型复杂度如何影响泛化

过拟合指模型在训练集上表现很好，但在新数据上明显变差。原因是模型把训练数据中的噪声和偶然模式也学了进去，缺乏泛化能力。

欠拟合则相反，模型过于简单，连训练数据的基本规律都没学到，训练集和验证集的表现都不理想。

判断两者要看训练误差与验证误差的差距。差距大说明过拟合，两者都高说明欠拟合。学习曲线能直观展示随样本量增加误差的变化趋势。

缓解过拟合的手段包括增加数据、正则化、简化模型和早停。缓解欠拟合则需要增强特征表达或提高模型容量。选择哪种取决于具体诊断结果。