解决方案：检测过拟合与欠拟合

恭喜你！这道练习并不简单。以下是你应该获得的曲线：

我们可以根据这些曲线得出结论：

• 对数几率回归 模型的训练和测试得分很低。
• 决策树 模型的训练和测试得分很高。
• 支持向量机 模型的训练得分很高，测试得分很低。

由此可以判断，逻辑回归模型欠拟合，支持向量机模型过拟合，决策树正常。

同样，我们可以翻转这些曲线（因为它们测量的是得分，而原始曲线测量的是错误），并将它们与下面的三条曲线对比，可以看出它们与我们之前看到的三条曲线很像。（ 注意：我们需要翻转曲线并不意味着错误是 1 减去得分。只是表示模型越来越好的话，错误会降低，得分会升高。 ）

现在我们应该检测在实际模型中是否这样。当我们绘制每个模型的界限曲线时，结果如下所示：

当我们查看上述模型时，第一个模型欠拟合，第二个正常，第三个过拟合，这种现象合理吗？合理吧？我们看到数据由圆圈或方框正确地划分出来。我们的模型按以下形式划分数据：

• 逻辑回归 模型使用一条直线，这太简单了。在训练集上的效果不太好，因此 欠拟合 。
• 决策树 模型使用一个方形，拟合的很好，并能够泛化。因此，该模型 效果很好 。
• 支持向量机 模型实际上在每个点周围都画了一个小圆圈。它实际上是在记住训练集，无法泛化。因此 过拟合 。

最好尽可能进行实际检查，确保模型的确具有指标所指示的行为。