过拟合和欠拟合都会导致模型在测试数据上的表现不佳，但各自含义不同。在本练习中，您将把模型特征归类为过拟合或欠拟合的表现，从而更好地理解偏差-方差权衡。
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
准备好搭建一个真正的机器学习流水线了吗？通过逐步练习学习如何创建决策树、划分数据，并预测哪些患者最可能患上糖尿病。最后，您还将构建性能度量来评估模型并判断预测效果。
准备来点甜的？使用巧克力评分数据集来构建回归树，并用合适的误差度量评估其性能。通过应用如交叉验证等"甜蜜"技巧，克服单次训练/测试划分的统计不确定性，并更进一步掌握偏差-方差权衡。
当前练习
是时候认真调优您的超参数并解读受试者工作特征（ROC）曲线了。在本章中，您将利用集成模型（如装袋法与随机森林）的群体智慧，构建能够预测哪些信用卡客户最可能流失的集成模型。
准备好迈入树模型的"上流社会"了吗？应用梯度提升来创建性能优于您此前见过或构建过的一切的强大集成。了解其精细调优方法，并学会比较不同模型，从而为生产环境选出最佳方案。
