解释过拟合和欠拟合，并举实例

过拟合和欠拟合是机器学习中的两个常见问题。过拟合指模型在训练数据上表现良好，但在测试数据上表现较差，因为模型过于复杂，学习到了训练数据中的噪音和细节信息，导致泛化能力不足。欠拟合则指模型无法在训练数据和测试数据上都表现良好，因为模型过于简单，无法捕捉数据中的关键特征。

例如，考虑一个二次函数模型：y = ax^2 + bx + c。如果模型太简单，可能只能拟合出数据中的一部分关键特征，产生欠拟合。但是，如果模型太复杂，比如增加高次项或增加神经网络的层数，可能会过拟合，导致模型对噪声和细节信息过于敏感，无法泛化到新数据。

解决过拟合和欠拟合的方法包括：增加或减少模型复杂度、增加训练数据、使用正则化方法等。