欠拟合
欠拟合与过拟合一直是机器学习训练过程中的难题，在训练模型的过程中往往要对二者进行权衡，使得模型在训练数据集和测试数据集上也有很好的表现。
欠拟合（Under Fitting）是由于特征维度过少，模型过于简单，使神经网络没办法完全满足数据集的特征提取要求，体现在训练以及预测时表现不佳、成功率低。欠拟合解决方法介绍如下。
（1）将模型复杂化。可以将原算法复杂化，例如，在神经网络中增加隐藏层和隐藏单元，在回归模型中增加更多的高次项。可以更换算法，使用更加复杂的算法代替现有算法，例如，使用神经网络代替线性回归。
（2）增加更多特征，使输入数据的特征更明显。
（3）调整超参数。包括神经网络中的学习率、学习衰减率、神经网络隐藏层数、隐藏层的单元数等，以及其他算法中的正则化参数等。
（4）减弱正则化约束或者去掉正则化约束。
