第二章 机器学习核心基础面试：模型评估指标、过拟合与欠拟合、偏差方差权衡
这些概念是机器学习面试的基石。面试官通常从具体业务痛点出发，层层深入到理论本质，考察候选人的“工程直觉”与“理论深度”。掌握本章内容，等同于拿到大厂基础面的入场券。
📊 核心概念对比矩阵
| 概念 |
定义 |
诊断方法 |
缓解策略 |
| 高偏差（欠拟合） |
模型过于简单，无法捕捉数据特征 |
训练误差高，验证误差高 |
增加模型复杂度、引入更多特征、减少正则化 |
| 高方差（过拟合） |
模型过于复杂，对训练集噪声敏感 |
训练误差低，验证误差高 |
增加正则化、增加数据量、数据增强、降复杂度 |
| 偏差方差权衡 |
总误差 = 偏差² + 方差 + 噪声 |
寻找测试误差最低点 |
交叉验证、集成学习超参数调优 |
| 核心评估指标 |
分类：AUC, F1, KS, Recall/Precision。回归：MSE, MAE, R²。 |
根据业务场景和数据分布选择 |
始终优先考虑业务解释性与最终收益 |
🧭 回答路径图：模型诊断与偏差方差权衡