英文：Overfitting 分类：training
模型在训练集上表现优异但泛化到新数据时表现差的现象：模型"背下"训练样本的噪声与细节而非学习通用规律，是机器学习中最常见的问题之一。
成因：模型容量过大、数据量不足、训练过久（epoch 过多）；信号：训练损失降但验证损失升（泛化差距扩大）；对策：正则化（L1/L2/权重衰减）、Dropout、早停、数据增强、交叉验证、简化模型；与大模型：参数量巨大但靠预训练+数据规模抑制。
用于模型训练质量诊断（验证集监控）、机器学习课程与工程实践（防止过拟合的标准手段）、深度学习调参（正则化配置）与数据不足场景（增强/迁移）。