Merge pull request #318 from CoderOverflow/patch-4

2.16.5 如何解决过拟合与欠拟合？ 内容修订

ch02_机器学习基础/第二章_机器学习基础.md

@@ -1066,7 +1066,7 @@ $$
 ### 2.16.5 如何解决过拟合与欠拟合？
 **如何解决欠拟合：**
 1. 添加其他特征项。组合、泛化、相关性、上下文特征、平台特征等特征是特征添加的重要手段，有时候特征项不够会导致模型欠拟合。
-2. 添加多项式特征。例如将线性模型添加二次项或三次项使模型泛化能力更强。例如，FM模型、FFM模型，其实就是线性模型，增加了二阶多项式，保证了模型一定的拟合程度。
+2. 添加多项式特征。例如将线性模型添加二次项或三次项使模型泛化能力更强。例如，FM（Factorization Machine）模型、FFM（Field-aware Factorization Machine）模型，其实就是线性模型，增加了二阶多项式，保证了模型一定的拟合程度。
 3. 可以增加模型的复杂程度。
 4. 减小正则化系数。正则化的目的是用来防止过拟合的，但是现在模型出现了欠拟合，则需要减少正则化参数。
 
@@ -1081,6 +1081,7 @@ $$
 8. 增大学习率。 
 9. 添加噪声数据。 
 10. 树结构中，可以对树进行剪枝。 
+11. 减少特征项。
 
 欠拟合和过拟合这些方法，需要根据实际问题，实际模型，进行选择。