训练误差和测试（泛化）误差的区别及其与模型复杂度的关系

1.泛化能力： 机器学习的目标是使学得的模型能够很好的适用于新的样本，而不是仅仅在训练样本上工作的很好。学得的模型对新样本（即新鲜数据）的适应能力称为泛化能力。 2.误差：学习到的模型在样本上的预测结果与样本的真实结果之间的差 。 训练误差：模型在训练集上的误差。 泛化误差（测试误差）：在新样本上的误差。 显然，我们更希望得到泛化误差小的模型。 3.欠拟合与过拟合 欠拟合：学得的模型训练误差很大的

>>阅读原文<<