详细解释什么是过拟合？如何避免？（面试题200合集）

什么是过拟合？

过拟合（Overfitting）是指机器学习模型在训练数据上表现得过于优秀，但在新的、未见过的数据上表现较差的一种现象。简单来说，模型不仅学习到了数据的真实模式，还“记住了”训练数据中的噪声和偶然性，导致它无法很好地泛化到新数据上。可以把过拟合想象成一个学生死记硬背课本上的每一个例子，却无法灵活应对新问题。

过拟合的表现

• 训练误差低，测试误差高：模型在训练集上预测非常准确，但在测试集或新数据上的错误率明显上升。
• 模型过于复杂：例如，决策树分支过多、神经网络层数过深，或者多项式回归的阶数过高。
• 对噪声敏感：模型对训练数据中的微小变化反应过度，无法适应新数据的差异。

过拟合的原因

• 模型复杂度过高：模型参数过多，过于灵活，能够拟合训练数据中的每一个细节，包括噪声。
• 训练数据不足：数据量少时，模型容易记住数据的偶然特征，而不是学习通用的规律。
• 特征过多：特