# 在ModelArts训练得到的模型欠拟合怎么办？
1. 模型复杂化。
   - 对同一个算法复杂化。例如回归模型添加更多的高次项，增加决策树的深度，增加神经网络的隐藏层数和隐藏单元数等。
   
   - 弃用原来的算法，使用一个更加复杂的算法或模型。例如用神经网络来替代线性回归，用随机森林来代替决策树。
    
2. 增加更多的特征，使输入数据具有更强的表达能力。
   - 特征挖掘十分重要，尤其是具有强表达能力的特征，可以抵过大量的弱表达能力的特征。
   
   - 特征的数量并非重点，质量才是，总之强表达能力的特征最重要。
   
   
   
   - 能否挖掘出强表达能力的特征，还在于对数据本身以及具体应用场景的深刻理解，这依赖于经验。
    
3. 调整参数和超参数。
   - 神经网络中：学习率、学习衰减率、隐藏层数、隐藏层的单元数、Adam优化算法中的β1和β2参数、batch_size数值等。
   
   
   
   - 其他算法中：随机森林的树数量，k-means中的cluster数，正则化参数λ等。
    
4. 增加训练数据作用不大。 欠拟合一般是因为模型的学习能力不足，一味地增加数据，训练效果并不明显。
   
5. 降低正则化约束。 正则化约束是为了防止模型过拟合，如果模型根本不存在过拟合而是欠拟合了，那么就考虑是否降低正则化参数λ或者直接去除正则化项。