答：使用简单的函数解决回归问题可能更容易欠拟合，而不是过拟合。这是因为简单的函数通常具有较低的灵活性，不能很好地拟合复杂的数据模式。因此，如果使用简单的函数来解决复杂的回归问题，则可能会发生欠拟合，使模型无法捕捉数据中的关键特征。
过拟合通常是在使用复杂的模型或具有大量参数的模型时发生的。这些模型通常具有高度的灵活性，可以很好地拟合数据，但也可能过度拟合噪声和无关特征。
我们先来了解一组概念：方差与偏差
偏差：（bias）是指一个模型的在不同训练集上的平均性能和最优模型的差异。偏差可以用来衡量一个模型的拟合能力。偏差越大，预测值平均性能越偏离最优模型。偏差衡量模型的预测能力，对象是一个在不同训练集上模型，形容这个模型平均性能对最优模型的预测能力。
方差：（ variance）描述的是一个模型在不同训练集上的差异，描述的是一个模型在不同训练集之间的差异，表示模型的泛化能力，方差越小，模型的泛化能力越强。可以用来衡量一个模型是否容易过拟合。预测值的变化范围，离散程度，也就是离其期望值的距离。方差越大，预测结果数据的分布越散。方差用于衡量一个模型在不同训练集之间的关系，和最优模型无关。对象是不同训练集上的一个模型，表示选取不同的训练集，得出的模型之间的差异性。
①左侧的拟合方式：存在高偏差（High bias）的问题，预测值平均性能越偏离最优模型。
②中侧的拟合方式：优秀的拟合方式
③右侧的拟合方式：存在高方差的问题，虽然在这个模型中代价函数可能很少，但是它的泛化能力很差，难以泛化...
左侧拟合高偏差；中间为优秀拟合；右侧为过拟合。
减少特征数量：手动选择要保留的特征；模型选择算法（后章介绍）
正则化参数：保留所有特征，但减小参数的权值
；当我们有很多特征时，效果很好，每个特征都对预测
有所贡献。
原则上任意复杂的模型能完全拟合训练数据。我们称之为过拟合。
• 过拟合（ overfitting ）：过于复杂的模型与训练数据拟合得太好，但和测试数据拟合得不好。
• 欠拟合（underfitting）：过于简单的模型与训练数据拟合得欠佳（和测试数据自然也拟合得不好）
前面使用多项式回归，如果多项式最高次项比较大，模型就容易出现过拟合。正则化是一种常见的防止过拟合的方法，一般原理是在代价函数后面加上一个对参数的约束项，这个约束项被叫做正则化项（regularizer）。在线性回归模型中，通常有两种不同的正则化项：
加上所有参数（不包括θo）的绝对值之和，即L1范数(L1正则化)，此时叫做Lasso回归；
加上所有参数（不包括θo）的平方和，即L2范数(L2正则化)，此时叫做岭回归.
