看待这个问题的一种方法是，拟合优度是训练误差，预测准确度是测试误差。（“预测能力”不是一个非常精确的术语。）也就是说，拟合优度是模型可以“预测”您已经用来估计其参数的数据点的程度，而预测准确性是模型可以预测的程度新的数据点，它还没有看到因变量的真实值。许多相同的指标，例如均方根误差，可用于量化拟合优度和预测准确性；这两种情况的区别在于模型是否已经使用相关数据进行了训练。

哪个更重要？就个人而言，我更关心预测的准确性。这告诉您该模型对于预测未来看不见的数据有多大用处。如果您认为模型纯粹是描述性的，即提供数据摘要而不是预测性的，那么您应该注意拟合优度。需要明确的是，具有最佳拟合的模型可能不是预测最准确的，反之亦然，所以这里有一个真正的选择。

现在，通常出于解释性原因进行数据分析，研究人员对描述数据或预测新观察结果不感兴趣，而是对真正的潜在数据生成过程（即对数据的解释）进行推断。目前尚不清楚拟合优度或预测准确性是否更好，尤其是因为两者都没有很好地说明模型作为解释的准确度。我的观点是拟合优度更好，但很明显，盲目地试图优化拟合优度，而不考虑特定于内容的问题，不会让你快速得到好的解释。与拟合优度或预测准确性相比，解释最终是一个更少统计且更科学的概念。