请解释机器学习中的过拟合和欠拟合现象，并说明如何避免。

答题要点

过拟合和欠拟合是机器学习中常见的问题。过拟合是指模型在训练数据上表现良好，但在测试数据上表现不佳。这是因为模型过于复杂，学习了训练数据中的噪声和细节，导致泛化能力差。例如，在决策树模型中，如果树的深度过深，会对训练数据进行过度拟合。欠拟合则是指模型在训练数据和测试数据上的表现都不佳，模型过于简单，无法捕捉数据中的复杂模式。例如，使用线性模型来拟合非线性数据。为避免过拟合，可以采用以下方法：一是增加数据量，让模型学习更多的样本，减少对噪声的依赖；二是正则化，如 L1 和 L2 正则化，通过在损失函数中添加惩罚项来限制模型的复杂度；三是使用交叉验证，选择合适的模型参数。为避免欠拟合，可以增加模型的复杂度，如使用更复杂的模型结构；也可以对数据进行特征工程，提取更多有价值的特征，提高模型的表达能力。