Summary  
This chapter covers detecting and addressing overfitting and underfitting in predictive models by using a train–test split and comparing performance metrics on each subset.  

General domain of usage  
Machine learning model evaluation

## Overfitting
Bekijk de twee regressielijnen hieronder. Welke is beter?

De statistieken suggereren dat het tweede model beter is, dus gebruiken we dit om te voorspellen voor `X_new = [0.2, 0.5, 2.7]`. Maar na het vergelijken van de voorspellingen met de werkelijke waarden, presteert het eerste model beter.

Dit gebeurt omdat het tweede model **overfit** — het is te complex en past te nauw op de trainingsgegevens, waardoor het niet goed generaliseert naar nieuwe gevallen.

## Underfitting

**Underfitting** treedt op wanneer een model te eenvoudig is om zelfs de trainingsgegevens te benaderen, wat ook leidt tot slechte voorspellingen op onbekende data.

We kunnen dus visueel proberen te bepalen of het model onderfit of overfit.

Omdat we modellen met hoge dimensies niet kunnen visualiseren, hebben we een andere methode nodig om overfitting of underfitting te detecteren.


## Train-test splitsing

Om de prestaties op onbekende data te schatten, splitsen we de dataset in een trainingsset en een testset met bekende doelwaarden.


We trainen op de trainingsset en berekenen statistieken op zowel de trainings- als testsets om de prestaties te vergelijken.



De verdeling moet willekeurig zijn. Gewoonlijk gaat 20–30% naar de testset en wordt 70–80% gebruikt voor training. Scikit-learn biedt een eenvoudige manier om dit te doen.


Bijvoorbeeld, om de trainingsset te splitsen in 70% training/30% test, kun je de volgende code gebruiken:
```python
from sklearn.model_selection import train_test_split # import the function
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
```

Lineaire regressie is een cruciaal concept binnen voorspellende analyse. Het wordt veel gebruikt door data scientists, data-analisten en statistici omdat het eenvoudig te bouwen en te interpreteren is, maar krachtig genoeg voor veel toepassingen.

Laten we beginnen met het eenvoudigste lineaire regressiemodel. U leert het concept achter lineaire regressie en hoe u voorspellingen kunt doen in Python.

De meeste voorspellingstaken in de praktijk omvatten meer dan één kenmerk. U leert hoe u lineaire regressie met meerdere kenmerken kunt toepassen.

Een rechte lijn beschrijft de data niet altijd goed. Laten we leren hoe we een complexer model voor voorspelling kunnen bouwen. Daarvoor is polynomiale regressie geschikt.

Nu je weet hoe je meerdere lineaire regressiemodellen kunt bouwen, heb je een methode nodig om het beste model te selecteren. Dit is mogelijk met behulp van metrische gegevens. In deze sectie worden de meest gebruikte metrische gegevens en de uitdagingen bij het gebruik ervan toegelicht.