參考鏈接：https://blog.csdn.net/insular_island/article/details/39099721
1、從模型方面考慮。舉例說明：本身問題是二次的，用線性模型處理問題就是欠擬合，用三次及更高次處理問題就是過擬合。但是這里未考慮數據量的多少，只是針對本身模型階次的考慮。而且現實問題，越強大的模型是很難確定模型復雜度的。
2、處理相同的問題時，在數據量多的情況，可以用相對復雜的模型處理問題，在數據量少的情況下，可以用相對簡單的模型處理問題。過擬合：當數據量太少時，模型無法完成充分的訓練，模型過度擬合用於訓練的少量數據的信息，對測試數據效果不好，泛化能力差；欠擬合：數據量很多，但是模型太簡單沒有充分利用數據信息模型不夠准確。
3、欠擬合：表現為模型特征維度過少，參數值較小等情況，此時模型過於簡單，但是數據量很大，所用模型沒有充分學習大量數據提供的信息，模型准確性差；
解決方法：（1）增加特征維度；，增大參數值，換用更為復雜的模型等。
過擬合：表現為特征維度過多，參數值過大，此時模型假設過於復雜，但是訓練數據過少，噪聲過多，導致擬合的函數完美的擬合訓練集，但對新數據的測試集預測結果差，泛化能力差。
解決方法：（1）減少特征維度；（2）正則化，降低某些過大的參數值。（3）在神經網絡中dropout, 隨機刪減一些神經元。
綜上所屬：可以總結為（1）當模型在訓練集上准確性一般，但是在測試集上表現也尚可，即泛化能力好時為欠擬合；（2）當模型在測試集上表現不好，泛化能力差，但是對於訓練數據准確性高時表現為過擬合；（3）兩者皆不好時考慮進一步數據與處理和特征選擇或者換模型；（4）兩者都好時模型能夠較好的擬合現有數據，皆大歡喜。