机器学习通过大量的训练集数据进行训练，然后得到的模型，可以分为三种情况，欠拟合模型，过拟合模型，最合适的模型。
- 欠拟合：模型不能很好的适应训练集数据，误差太大，，只能适用训练集中很小一部分数据。
- 过拟合：模型过于强调适用每一组原始数据，误差基本上可以为0，但是如果用该模型去预测新的数据，表现却并不是很好。也就是说过拟合模型只能很好的适应训练集数据，而不能很好的适用于测试数据。
如何处理过拟合问题？
- 丢弃一些不能帮助我们正确预测的特征，通过手工选择保留哪些特征，或是通过算法自动选择特征。
- 正则化。保留所有的特征，但是降低特征的权重大小，也就是特征对应的参数Θ。特征权重变小了，特征对结果的影响也就随之变小了。
