标准回答
什么是学习曲线
学习曲线以训练集样本量为横轴，训练误差和验证（交叉验证）误差为纵轴。随着样本增多，训练误差一般上升（越来越难完美拟合），验证误差一般下降，二者最终收敛。
两种诊断
高偏差 / 欠拟合：训练误差和验证误差都收敛到一个较高的水平，且两条曲线靠得很近。说明模型本身能力不足，连训练集都没学好。此时继续加数据几乎没用，应增加模型复杂度（更深的树、更多特征、更高阶项）或减小正则强度。
高方差 / 过拟合：训练误差很低，但验证误差明显更高，两条曲线之间存在较大间隙（gap）。说明模型记住了训练集噪声。对策是增加训练数据（gap 会随样本增多而收窄）、加强正则化（L1/L2/Dropout）、降低模型复杂度或做特征选择。
实用判断：先看 gap（方差信号），再看误差的绝对高度（偏差信号），即可定位问题方向。
常见误区
⚠️ 常见踩坑
不能只看训练误差判断好坏，必须对比验证误差与两者间隙；曲线尚未收敛（仍在下降）时说明数据量不足，先补数据再下结论。
追问
追问 1：如果训练误差和验证误差都很高且接近，加数据有用吗？
没用。这是高偏差/欠拟合的典型表现，模型连训练集都拟合不好，瓶颈在模型容量而非数据量。应先提升模型复杂度、增加有效特征或降低正则，再考虑数据。
追问 2：学习曲线和验证曲线（validation curve）有什么区别？
学习曲线横轴是训练样本量，用于诊断偏差/方差与数据是否够用；验证曲线横轴是某个超参数（如树深度、正则系数 λ），用于为该超参选最优值、观察其对欠拟合/过拟合的影响。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。