📝 展开文字版内容（供搜索引擎索引）
📉 欠拟合
一句话类比：像学生只翻了课本目录，连基础例题都没学会：原题做不好，变形题更不会。
大白话说：欠拟合是机器学习里最常见的高偏差问题之一：模型太简单、训练不够、特征表达不足或约束太强，导致它连训练数据里的基本规律都没有学明白。其典型表现是训练集和验证集都做不好，说明模型不是“太聪明”，而是“还不够会”。
拆开看：
- 模型容量：模型能装下多少规律的上限
- 训练轮数：模型有没有足够时间把基础规律吃透
- 特征表达：输入给模型的信息够不够揭示问题本质
- 正则化强度：过强约束会把模型压得过于保守
常见误解：
❌ 训练和验证都差，说明一定是数据坏了 → ✅ 也可能是模型太弱、训练不够或特征太差，连训练集都没学明白
❌ 欠拟合比较保守，所以总比过拟合好 → ✅ 欠拟合同样是失败状态，它不是更安全，而是能力不足
❌ 只要一直训练，欠拟合总会自动消失 → ✅ 如果模型本身太简单或输入表达不够，多训也不一定解决问题
类比的边界：
- 学生学得少可以靠主观努力补回来，模型欠拟合往往还涉及结构和特征设计
- 学生知道自己不会，模型欠拟合并没有这种自我感知
- 现实考试是离散题目，机器学习中的欠拟合更常表现为一整段复杂度区间都偏弱