欠拟合

Underfitting常用

模型太弱或训练不够，连训练数据里的规律都没学会。

欠拟合是机器学习的基础概念，与过拟合相对：模型在训练集上误差就很高，到验证集、测试集上同样差。常见原因有模型容量不够（参数少、结构太简单）、训练步数不足、学习率不合适、正则化过强，或输入里缺少完成任务所需的信息。判断看训练损失：训练损失降不下去是欠拟合；训练损失很低而验证损失回升才是过拟合。机器人学习里的典型表现是策略连训练时的演示场景都做不对，这时应先加大模型、延长训练，或检查观测与动作数据（如相机画面、动作归一化）有没有出错，而不是急着上数据增强这类防过拟合手段。