模型预测：越准越好？

今天我们聊过拟合。

我们说过，模型的所谓“学习”，就是拟合数据，而整个学习过程，就是不断调整模型拟合数据，因此，也诞生了“过拟合”这个概念。

在机器学习中，过拟合（Over Fit）是个很重要的概念，同时也是个不太容易理解的概念。过拟合就是拟合得太好了，简单来说，就是模型学得太好，学过了。

可是，这难道不是好事？我们训练模型，不就是想要让模型尽可能拟合数据，拟合得越好，也就是预测越接近正确答案，难道不应该是说明模型训练的效果越好？

不是。这就是机器学习中最反直觉的地方：用于预测的模型，居然不是预测越准越好！

不过，要解释倒也不难：在机器学习中，模型训练的好坏，实际上是有两个重要的评价指标，一个是拟合，一个是泛化。也许一开始我们以为模型训练只有一个目标，那就是拟合，而实际上，不偏科的模型才是好模型。

下回再聊。