这个问题真的是太复杂了，在本书这种级别的书，在后面有一整章来讨论这个问题，非常重，因此很幸运在这里可以简单的先进行简单了解，在后面的文章中详细介绍。
在上面的过拟合的图中，也在本篇文章的第一个图，通过过拟合的曲线，我们可以想一下究竟是什么样的函数能是这样的曲线，一定是这个函数好多项，其中变量的次数非常高，例如这样子的，当然这是随便一个例子，并不一定完全是这个图的图像：
对于这个还算简单的问题，用这么复杂的函数去拟合，有点过于追求拟合程度了，过犹不及，这不好。怎么办呢，假设后面四项的系数 a 接近于 0，是不是可以后面这些项对于整个函数来说贡献的值就微乎其微了，则这个函数退化为二次函数，这是我们认为拟合程度最好的情况，这就是一种正则化的方法。在后续的文章中还会介绍大量正则化的形式。总结
欠拟合和过拟合是常见机器学习中的拟合不好的情况，上面介绍了相关内容。