模型泛化能力指的是模型从训练数据中学习到的知识能够应用于新的、未曾出现在训练集中的样本上。这就是所谓的泛化能力，即机器学习模型能够根据已有的训练数据，对新的数据具有良好的预测能力，而不受训练时所用数据的影响太大。模型的泛化能力取决于训练模型的复杂度，如果模型没有学习到数据的本质特征，即模型过于简单，则会导致高方差，使得模型拟合已有训练数据，但不能够泛化到新的数据上，反之，如果模型复杂度过高，则可能引入训练数据中的训练误差，从而造成模型拟合训练数据较好，但无法泛化到新的数据上。因此，要获得良好的泛化能力，模型的复杂度要保持在一个适宜的水平，也就是所谓的欠拟合与过拟合的平衡。