Regression：输入可以是股票市场的各种指数、自动驾驶的检测角度、大数据推荐系统，输出是数字。
Underfitting（欠拟合）：模型不能很好的拟合训练集的数据，即模型有很大的bias（偏差）。
Overfitting（过拟合）：模型可以很好的拟合训练集的数据，但是在测试集上有很大的误差，即模型有很大的variance（方差）。当模型越来越复杂时，bias越来越小而variance会变大。
对于欠拟合，可以重新设计模型：在输入上增加更多的特征；更复杂的模型。对于过拟合，可以从数据集和模型两个方面进行处理：更多的数据集（非常有效，但不是一直奏效）；regularization（正则化，使模型的预测曲线趋于平滑，但有可能增大bias）
将原始训练集划分为Training（新训练集）和Validation（验证集）：训练集是为了训练模型，验证集是为了筛选最好的模型。还可以将原始训练集划分为两份新训练集和一份验证集（循环划分）。
