在学会实现监督学习 (supervised learning)模型并进行数据预处理之后，下一步自然是弄清楚这些模型表现如何以及如何选择最佳配置。仅仅在模型训练所用的数据上评估它可能会产生误导。模型可能在训练数据上表现完美，但在新的、未见过的数据上表现很差。本章将应对这个问题。

我们将考察常见的过拟合 (overfitting)问题（模型对训练数据，包括其噪声，学习得过于充分）和欠拟合 (underfitting)问题（模型过于简单以至于无法捕捉到数据背后的规律）。你将学会方法来对模型性能进行更实际的评估。

具体来说，本章涵盖：

• 过拟合和欠拟合的含义。
• 使用Scikit-learn的train_test_split函数，将数据集划分为训练集和测试集进行初步评估。
• 应用交叉验证，尤其是K折交叉验证和分层K折交叉验证，以更可靠地估计模型在未见过的数据上的表现。
• 使用网格搜索（GridSearchCV），系统地调整模型超参数 (parameter) (hyperparameter)并找到最佳设置。

到本章结束时，你将能够严谨地评估你的机器学习 (machine learning)模型，并对模型选择和配置做出明智的决定。