什么是过拟合？
过拟合（Overfitting）是机器学习中最常见的问题之一。当模型在训练数据上表现极好（如准确率 99%），但在测试数据或实际应用中表现很差时，就发生了过拟合。简单来说，模型不是在"学习规律"，而是在"背诵答案"。
过拟合的表现
训练集表现：非常好，可能接近完美
验证集表现：明显差于训练集
测试集表现：差，泛化能力弱
模型行为：对训练数据中的噪声和异常值也"记住"了，而不是学到真正的模式
为什么会产生过拟合？
模型过于复杂：参数太多，模型有足够的"容量"去记住每个训练样本。
训练数据太少：数据量不足以覆盖真实世界的多样性。
训练时间过长：模型在训练集上反复迭代，最终"记住了"而不是"学会了"。
数据噪声：训练数据中的错误标签或异常值被模型"学习"了。
如何防止过拟合？
正则化：在训练目标中添加惩罚项，限制模型复杂度。
早停（Early Stopping）：在验证集性能开始下降时停止训练。
增加数据量：更多的训练数据可以减少过拟合风险。
数据增强：通过变换训练数据（旋转、裁剪、加噪声等）增加数据多样性。
Dropout：训练时随机"丢弃"一部分神经元，防止模型过度依赖某些特征。
交叉验证：使用多组训练/验证集划分来评估模型。