如何判断和处理过拟合？

过拟合表现为训练误差低、验证误差高。看学习曲线确认后，可用 L1/L2 正则、Dropout、数据增强、早停、简化模型或增加数据来缓解。

诊断：绘制训练集 vs 验证集 loss/accuracy 曲线——训练持续下降而验证回升即为过拟合。处理手段：1) 正则化 L1/L2 约束权重大小；2) Dropout 训练时随机丢弃神经元；3) 早停 验证指标不再提升时停止；4) 数据增强 扩大有效样本；5) 简化模型 减少参数；6) 集成 Bagging 降方差。选型取决于数据量、模型复杂度和任务类型。