第 1 部分：如何阅读学习曲线

首先，我们应该关注图的右侧，那里有足够的数据进行评估。

• 如果两条曲线“彼此接近”并且它们都具有低分。该模型存在欠拟合问题（高偏差）

• 如果训练曲线的得分要好得多，而测试曲线的得分较低，即两条曲线之间的差距很大。然后模型遭受过拟合问题（高方差）

第 2 部分：我对您提供的情节的评估

从情节上很难说模型好不好。有可能你有一个真正“简单的问题”，一个好的模型可以达到 90%。另一方面，你可能有一个真正的“难题”，即我们能做的最好的事情就是达到 70%。（注意，你可能不会期望你会有一个完美的模型，比如分数是 1。你能达到多少取决于你的数据中有多少噪音。假设你的数据有很多数据点具有 EXACT 特征但标签不同，无论你做什么，你都不能在分数上达到 1。）

您的示例中的另一个问题是 350 个示例在现实世界的应用程序中似乎太小了。

第 3 部分：更多建议

为了更好地理解，你可以做以下实验来体验下拟合和过拟合，并观察学习曲线会发生什么。

• 选择一个非常复杂的数据，比如 MNIST 数据，并拟合一个简单的模型，比如具有一个特征的线性模型。

• 选择一个简单的数据，比如 iris 数据，适合复杂模型，比如 SVM。

第 4 部分：其他示例

另外，我将给出两个与欠拟合和过拟合有关的例子。请注意，这不是学习曲线，而是梯度提升模型中关于迭代次数的性能，其中更多的迭代将有更多的过度拟合机会。x 轴表示迭代次数，y 轴表示性能，ROC 下面积为负（越低越好。）

左边的子图没有过拟合（也没有欠拟合，因为性能相当好），但右边的子图在迭代次数很大时会过拟合。