主要知识点：

1.金融场景中泛化误差的计算方法

• 乐观方法，认为模型的泛化误差等于模型在训练集上的误差，这是一种最为乐观的估计。

• 悲观方法，由于模型越复杂，发生过拟合的可能性越大，因此在考虑模型泛化性能时需要同时考虑模型复杂度，当模型的复杂度较高时，训练错误率会低估模型的泛化错误率。

• 运用验证集，即通过“样本外”估计来计算模型的泛化误差，可以运用未被用于模型训练的验证集来进行计算。

2.金融场景中决策树模型中过拟合的处理方法

• 先剪枝方法，在这种方法中，在生成一个完美适配整个训练集的决策树之前，相应的决策树增长算法就会停止。

• 后剪枝方法，在这种方法中，决策树首先增长到最大规模，之后再对决策树进行修剪，采取的是自下而上的方式对完整的决策树进行修剪。