线性回归：过拟合或欠拟合
过拟合：一个假设在训练数据上能够获得比其他假设更好的拟合， 但是在训练数据外的数据集上却不能很好地拟合数据，此时认为这个假设出现了过拟合的现象。(模型过于复杂)
欠拟合：一个假设在训练数据上不能获得更好的拟合， 但是在训练数据外的数据集上也不能很好地拟合数据，此时认为这个假设出现了欠拟合的现象。(模型过于简单)
欠拟合：
•原因：
•学习到数据的特征过少
•解决办法：
•增加数据的特征数量
过拟合：
•原因：
•原始特征过多，存在一些嘈杂特征，
模型过于复杂是因为模型尝试去兼顾
各个测试数据点
•解决办法：
•进行特征选择，消除关联性大的特征(很难做)
•交叉验证(让所有数据都有过训练)
•正则化(了解)
岭回归：一个加上了正则化的线性回归
主要讲解过拟合的解决方法正则化：
API:
•sklearn.linear_model.Ridge
解释：
•sklearn.linear_model.Ridge(alpha=1.0)
•具有l2正则化的线性最小二乘法
•
•alpha:正则化力度 0-1,1-10
•coef_:回归系数