什么是过拟合：为什么模型会“死记硬背”

过拟合指模型把训练数据学得太死，连噪声一起记住，导致在新数据上表现反而变差。就像学生背下了答案却不懂原理，换道题就出错。它是机器学习最常见的陷阱之一。

过拟合的本质是模型容量与数据信息量的不匹配。当参数远多于数据中的有效模式时，模型就有余力去“记忆噪声”。这也是为什么深度学习需要海量数据——不是为了炫耀，而是为了填满参数而不让它乱记。

## 核心要点

图片来源：Openverse / playful.geometer（https://www.flickr.com/photos/24888685@N08/6879664348）

1. 训练集分数很高、验证集分数下降，是过拟合的典型信号。

2. 数据量少、模型过大、训练时间过长都容易引发过拟合。

3. 解决手段包括正则化、Dropout、早停、数据增强。

4. 合理的验证集划分是及时发现过拟合的前提。

图片来源：Openverse / WeHoCity（https://www.flickr.com/photos/46398490@N00/38268760061）

## 写在最后

以上是关于「什么是过拟合」的科普介绍。人工智能正在快速发展，相关概念和方法也在不断演进。希望本文能帮你建立对这一主题的基本认识。