避免过拟合的方法有提前结束训练、数据集扩增、正则化、Dropout、批量标准化、减小模型复杂度、Bagging、贝叶斯方法和决策树剪枝等。欠拟合则是模型复杂度低或数据集小，导致对数据拟合程度差，可通过增加样本数量和特征个数、扩展特征维度、减少正则化参数和使用集成学习方法改善。朴素贝叶斯分类效率稳定，适合小规模数据和多分类问题，对缺失数据不太敏感，但对输入数据表达形式敏感，当特征相关性较大时分类效果

深度学习在图像算法领域应用广泛，相关知识是深度学习面试的重点。下面围绕神经网络、CNN、RNN 等关键内容，梳理核心知识点，为面试备考提供清晰指引。