在模型評估過程中，過擬合和欠擬合具體指什么現象？
過擬合是指模型對於訓練數據擬合呈過當的情況，反映到評估指標上，就是模型在訓練集上的表現好，但是在測試集和新數據上的表現較差。
欠擬合指的是模型在訓練和預測時表現都不好。用模型在數據上的偏差和方差指標來表示就是。欠擬合時候，偏差和方差都比較大，而過擬合時，偏差較小但方差較大。
| 降低過擬合和欠擬合的方法 |
L1和L2正則先驗分別服從什么分布？
L1 的分布容易使得 目標函數只與有限的 L1限制函數在“棱角”上產生交集。
這里的pw 是寫成x---w
-----------------------------------
什么是數據不平衡，如何解決？
數據不平衡主要指的是在有監督機器學習任務中，樣本標簽值的分布不均勻。這將使得模型更傾向於將結果預測為樣本標簽分布較多的值，從而使得少數樣本的預測性能下降。絕大多數常見的機器學習算法對於不平衡數據集都不能很好地工作。
解決方法：
1. 重新采樣訓練集
a. 欠采樣 –減少豐富類的大小來平衡數據集
b. 過采樣 – 增加稀有樣本，通過使用重復，自舉或合成少數類
2. 設計使用不平衡數據集的模型
a. 在代價函數中懲罰稀有類別的錯誤分類。
DuY:embedding 是什么啊，能通俗的講一下嗎？”
- - - - - - - - - - - - - - -
比如 老虎 這一個動物用一個 vector (0, 1, 0, 0, 0) 表示，經過embedding 之后它可以表示為 （0.23， 0.12) 表示。而這種表示方法是通過訓練數據訓練出來的。