过拟合是指一个模型拟合了部分噪声，而不是真正数据。
对我们而言，一个模型的好坏取决于它能否准确预测未来的未知数据。
交叉验证的核心思想，就是在模型拟合的过程中并不使用全部的历史数据，而是保留一部分数据，用来模拟未来的数据，对模型进行检验。
当一个模型过于简单，以致连训练数据都拟合得不够好时，称之为欠拟合（underfitting）。
模型对于任何它没见过的数据都没有泛化能力——这最终导致它过拟合。