Machine learning 维度诅咒和模型过拟合/欠拟合，哪一个合适？

在一家高科技公司的技术面试中，他们问了我以下问题：

使用大量特征和相对较少样本（即矩形数据集）进行训练是否会导致过拟合或欠拟合

旁注：我重新措辞了这个问题，因为这是一个基于情景的问题。然而，我100%确信我理解了他们的意思

就我目前所知，这是一个典型的过度适合的情况。关于这一点，我的主要参考是Andrew NJ教授的机器学习课程（特别是第6周）以及一些类似以下的教程：

这种选择的一个违反直觉的原因，特别是对于初学者，可能是以下原因：

随着属性数或维度数的增加，泛化模型所需的训练样本数也显著增加。因此，如果我们有太多的维度，那么我们会使模型过度拟合现有样本

然而，当我试图这样解释情况时，我感到他们不赞成。所以，我假装我犯了一个错误，告诉他们这是一个不合适的情况。此外，当我试图用以下方式直观地解释它时，这对他们来说是有意义的：

“模型将看到大量使投入产出关系复杂化的特性，因此会使模型低估这种关系。”

我不相信后一种推理，但当我开始学习ML时，它对我来说是很有说服力的。面试官在其他学科中技术性很强，但是他们最近才开始学习ML，就像许多其他人一样。因此，在思考这个问题时，我没有消除我的错误答案

我的问题是：

1-你认为我上面的哪一个解释更合适？你还有其他的参考资料吗

---

2-你认为我能应付这种面试情况吗？我不应该坚持正确的答案吗？

这不适合这里，最好在交叉验证中询问。请参阅机器学习中的介绍和注释。