我们训练机器学习模型时，可以选择训练集来拟合目标函数，降低训练误差，并缩小训练误差和测试误差的差距（欠拟合和过拟合）。

        模型的容量(capacity)从本质上说是描述了整个模型的拟合能力的大小。容量低的模型可能在训练集上就会很难拟合目标函数，产生而欠拟合；容量高的模型或许会在训练集上可以很好的拟合目标函数，而不具备一定的泛化能力，导致过拟合。

增加模型容量的方法有很多，比如我们使用线性回归函数来拟合一个线性函数，就可以通过增加参数高次幂的方法来增加模型容量，一个5次多项式（包含从1到5次幂以及常数项）的模型就比二次多项式的模型容量要高。但是如果我们要拟合的是一个三次函数，用二次多项式的模型就会导致欠拟合，用5次多项式就可能会导致过拟合。

        表示容量(representational capacity)：模型的最大容量。指的是通过调节参数降低训练目标时，学习算法可以从哪些函数族中选择函数。

        有效容量(effective capacity)​​​​：在实际训练机器学习模型中，从表示容量中选择最优函数是非常困难的，比如我们要拟合一个三次函数，而我们选择的容量中可能包括四次多项式，其实有效容量里是没有四次幂的。实际上我们训练出来的模型只是一个可以大大降低训练误差的函数，并不可能完美，也就说学习算法的有效容量，可能会小于模型的表示容量。