在机器学习模型训练过程中，过拟合与欠拟合分别代表怎样的现象？请阐述二者的定义与成因，并针对过拟合问题给出具体的应对策略。

回答思路

1. 【回答框架 1】过拟合指模型在训练集上表现优异，但在测试集或新数据上泛化性能差，通常因模型过于复杂、参数过多或训练数据不足导致模型学到了噪声或无关特征。欠拟合则相反，模型过于简单，无法捕捉数据中的潜在规律，训练集和测试集表现都较差。
2. 【回答框架 2】应对过拟合的常用方法包括：增加训练数据量，通过数据增强扩充有效样本；降低模型复杂度，如简化网络结构或减少特征数量；引入正则化技术，如L1/L2正则化约束参数幅度；使用早停法，依据验证集表现及时停止训练；以及使用Dropout等随机丢弃机制防止网络过度依赖某些节点。
3. 【回答框架 3】此外，还可以通过交叉验证评估模型泛化能力，选择最合适的超参数组合。实际工作中，应结合具体问题组合使用多种策略，并通过验证集和测试集指标评估效果。
4. 【关键点 1】过拟合导致泛化能力下降，欠拟合导致模型能力不足，二者需平衡。
5. 【关键点 2】正则化、数据增强、早停、Dropout及降低模型复杂度是应对过拟合的有效手段。
6. 【关键点 3】增加训练数据量通常能缓解过拟合。
7. 【关键点 4】交叉验证有助于正确评估模型性能，避免过拟合。
8. 【易错点 1】认为增加模型复杂度可以解决欠拟合，但过度复杂化可能引入过拟合风险。
9. 【易错点 2】正则化强度过大可能导致模型欠拟合，需调参平衡。
10. 【易错点 3】早停标准设置不当可能提前终止训练，导致欠拟合。