维度灾难：
随着维度的增多，问题的复杂性（或计算代价）呈指数型增长的现象
基于距离的机器学习模型
稀疏度与过度拟合
过度拟合：模型对已知数据拟合较好，新的数据拟合较差
高维空间中样本变得极度稀疏，容易造成过度拟合问题
计算复杂度：决策树
随着维数的增加。计算复杂度指数增长
只能求近似解得到局部最优解而非全局最优解
朴素贝叶斯
应对维度灾难：特征选择和降维
过度拟合以及正则化
正则化：对学习算法的修改——旨在减少泛化误差而不是训练误差
