Изменения
→На примере логистической регрессии[на 14.12.18 не создан]
При выявлении недообучения, следует выбрать более сложную модель (Рис 5), которая бы смогла лучше описать представленные данные.
Выбор слишком сложной модели, может привести приводит к ситуации, когда модель максимально точно классифицирует обучающую выборку, но сильно ошибается на новых измерениях. Данная ситуация представлена на Рис 6.
== Кривые обучения ==
