模型过拟合是什么意思?

模型过拟合是指模型在训练数据上学得太好，把噪声和细节都记住了，导致在新的数据上表现很差。比如一个模型能背下所有训练题的答案，但遇到新题就完全不会。过拟合的模型像只会死记硬背的学生，缺乏真正的泛化能力。简单来说，就是模型太"聪明"了，反而失去了实用性。

过拟合的表现

过拟合的模型在训练集上准确率接近100%，但在测试集上准确率却很低。比如一个图片识别模型，训练时能认出所有训练图片，但遇到新照片就频繁出错。模型可能记住训练数据的无关特征，比如某张图片的水印，而不是真正的识别要点。解决过拟合的方法包括减少模型复杂度、增加训练数据或使用正则化技术。