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。

如何判断

绘制训练集 vs 验证集的 loss/accuracy 学习曲线：训练指标持续变好、而验证指标停滞甚至回升、两者差距越来越大，即为过拟合（与之相对，两者都差是欠拟合）。

处理手段（从高方差角度对症）

• 加数据 / 数据增强：扩大有效样本，通常最有效。
• 正则化：L2 约束权重幅度使解更平滑，L1 产生稀疏解。
• Dropout：训练时随机丢弃神经元，相当于隐式集成。
• 早停（Early Stopping）：验证指标不再提升就停，防止后期记噪声。
• 简化模型：减少层数/参数，降低容量。
• 集成（Bagging）：多模型平均降方差。

选型原则：数据量小优先补数据，模型过大优先降容量/加 Dropout，再用早停兜底，避免一次堆叠过多正则导致欠拟合。