怎么能直观地理解呢？

欠拟合被称为“简化假设”（模型对其假设高度偏向）。您的模型会认为线性超平面足以对可能不正确的数据进行分类。假设你看到一张猫的照片 1000 次，现在你被蒙上眼睛，无论你第 1001 次显示什么，你会说猫的概率非常高（你非常有偏见，下一张照片也是猫）。这是因为你相信它无论如何都会成为一只猫。在这里，您正在简化假设

在统计中，方差非正式地表示您的数据分布的范围。过度拟合是您为考试记住了 10 个 qns，而在第二天的考试中，您阅读的 10 个问题在试卷中只问了一个问题。现在您将像书中一样正确回答一个问题，但您不知道剩下的问题是什么（问题与您阅读的内容有很大差异）。在过拟合中，模型会记住整个训练数据，这样它会在训练上提供很高的准确度，但会在测试中陷入困境。希望它有帮助

让我们假设我们的模型描述为 $y = f(x) +\epsilon$， 和 $E[\epsilon]=0, \sigma_{\epsilon}\neq 0$. 让进一步$\hat{f}(x)$是我们的回归函数，即参数是最小化损失的函数（无论这个损失是什么）。给定一个新的观察$x_0$，模型的预期误差为

现在，为了这个例子，考虑一个非常复杂的模型（例如，一个具有许多参数或类似参数的多项式），您正在针对训练数据进行拟合。由于存在这么多参数，它们可以非常接近地适应训练数据以平均化（因为它们有很多）；结果，偏置项大大减少。但另一方面，通常情况下，只要你有很多参数，它们的最小二乘估计就会有很大的方差：正如已经提到的，由于它们已经深入适应了训练数据，它们可能无法很好地概括新的看不见的数据。由于我们有许多参数（复杂模型），每个参数中的一个小误差加起来就是整体预测中的一个大误差。

当一个模型非常静态（假设参数很少）时，可能会发生相反的情况：它们的方差加起来并不多（因为它们很少），但权衡是它们对均值的估计可能与回归量的真实值不紧密对应。

在文献中，将前者称为过拟合，将后者称为欠拟合。在我给出的描述中，您可以看到它们可能与模型的复杂性有关，但不一定如此，即您也可能拥有不一定过度拟合的特别复杂的模型（由于它们的构造方式，一个最重要的是随机森林）和不一定欠拟合的简单模型（例如，当数据实际上是线性时的线性回归）。

查看 Brando Miranda 在以下 Quora 问题中提供的答案：

“高方差意味着您的估计器（或学习算法）根据您提供的数据而有很大差异。”

“欠拟合是“相反的问题”。欠拟合通常是因为你希望你的算法有点稳定，所以你试图以某种方式过多地限制你的算法。这可能会使它对噪声更鲁棒，但如果你也限制它“它可能会错过你的数据告诉你的合法信息。这通常会导致糟糕的训练和测试错误。通常，欠拟合也是由于你的模型偏差过大造成的。”

https://www.quora.com/What-is-meant-by-high-variance-low-bias-and-why-does-this-lead-to-overfitting-in-machine-learning

基于简单假设（有偏差）的模型可能对数据的拟合效果很差（拟合不足），而更复杂、更灵活、变化更大的模型可能非常适合训练数据（过拟合），以至于它变得不太擅长预测新数据。