描述机器学习中的过拟合和欠拟合现象

过拟合是指模型在训练数据上表现良好，但在新数据上表现较差的现象。过拟合的原因在于模型过于复杂，过度拟合了训练数据，导致对噪声和随机误差过于敏感，无法泛化到新数据上。

欠拟合是指模型在训练数据上表现不佳，无法捕捉数据中的复杂性和规律，导致模型在新数据上表现也很差的现象。欠拟合的原因在于模型过于简单，不能充分利用训练数据中的信息，无法拟合数据的真实分布。