过拟合与欠拟合：模型评估的两端

过拟合是模型把训练数据背得太熟，连噪声都学了，换新数据就失灵。表现是训练集指标很好，验证集明显变差，差距越大问题越重。

欠拟合则相反，模型太简单，连训练集的规律都没抓住，两边指标都低。常见原因是特征不足或模型容量不够。

应对过拟合可用更多数据、正则化、简化模型、早停。应对欠拟合可增加有效特征、提升模型复杂度、延长训练。方向要对症。

评估时要留出独立验证集和测试集。用验证集调参，用测试集做最终评估，避免在同一份数据上反复调整导致乐观偏差。