过拟合怎么解决？

过拟合就是模型在训练数据上表现很好，但在新数据上表现很差，像是“死记硬背”了训练集，没有真正学会规律。解决方法主要有以下几种：

1. 增加训练数据：更多数据能让模型学到更通用的模式，减少对细节的依赖。
2. 简化模型：减少神经网络的层数或参数，或者降低决策树的深度，避免模型过于复杂。
3. 正则化：给损失函数加一个惩罚项，比如L1或L2正则化，限制参数大小，让模型更平滑。
4. Dropout：训练时随机“丢弃”一部分神经元，强制模型学习冗余特征，避免依赖特定节点。
5. 早停：监控验证集表现，当验证误差不再下降时停止训练，防止过度训练。
6. 数据增强：对图像进行旋转、裁剪等操作，生成更多变体，变相增加数据量。

选择哪种方法取决于具体场景，通常结合使用效果更好。