模型过拟合什么意思?

模型过拟合指机器学习模型过度学习训练数据中的细节和噪声，导致在测试数据上表现差。比如模型记住训练样本的异常值，反而无法泛化到新数据。这种现象常见于复杂模型或训练数据不足时，模型变得“死板”，无法适应变化。

过拟合会让模型失去实用性，因为它只熟悉训练数据，遇到新情况就出错。解决方法包括增加数据量、简化模型结构或使用正则化技术。好的模型应该平衡准确性和泛化能力，避免“死记硬背”。