过拟合

模型在训练集中表现优秀，而在测试集中表现不佳。

常见原因

• 模型过于复杂，记住了训练数据的噪声
• 训练数据量不足或噪声较大
• 特征泄漏：把目标值或未来信息漏进特征/预处理流程（见 获取数据）

常见表现

• 训练集指标很高，但验证/测试指标明显下降
• 不同划分下波动大，泛化不稳定

常见缓解手段

• 增加数据量或做数据增强（视任务而定）
• 降低模型复杂度、加入正则化、早停（early stopping）
• 改特征与预处理流程（见 特征工程）
• 用更合理的数据划分与评估方式（见 模型评估）

对比：欠拟合