overfitting（过拟合）

过拟合通常发生在模型复杂度过高或训练数据不足时，模型记住了训练数据的噪声和细节，而非一般规律。背景上，随着深度学习模型参数增多，过拟合风险加剧。技术说明：常用解决方法包括L1/L2正则化、数据增强、早停、集成学习等。评估时通过验证集监控性能，若训练误差持续下降而验证误差上升，则表明过拟合。