在机器学习中，当模型对训练数据学习得过于彻底，以至于捕获了噪声和随机波动，而非底层数据分布时，就会发生过拟合。过拟合模型并不会学习适用于新未见数据的通用模式，而是实际上记住了训练集中的特定示例。这导致模型在训练数据上表现优异，但在现实场景中泛化能力较差。这通常被称为“高方差”，意味着模型的预测会根据用于训练的特定数据集而产生显著变化。
Link to this section为什么会发生过拟合#
过拟合的主要原因是模型相对于可用数据量而言过于复杂。如果一个 神经网络 过大（即拥有过多的层或参数），它很容易记住训练示例。其他促成因素包括：
训练数据不足：小型数据集可能包含更广泛人群中不存在的虚假相关性。在有限数据上训练的模型容易学习到这些偶然的模式。
数据噪声和异常值：训练数据 中的高水平噪声或缺乏代表性的异常值可能会误导模型，使其调整内部参数以拟合异常情况，而非真实的信号。
延长训练时长：进行过多的 epochs 训练会使模型不断调整其权重，直到拟合了训练集中的噪声。这通常使用 验证数据 进行监测。
Link to this section过拟合与欠拟合#
区分过拟合与 欠拟合 很重要。过拟合涉及学习过多细节（包括噪声），而欠拟合则发生在模型过于简单，完全无法捕获数据底层结构时。欠拟合模型在训练数据和新数据上的表现都很差，通常导致高偏差。平衡这两个极端被称为 偏差-方差权衡。
Link to this section预防过拟合#
工程师使用多种技术来缓解过拟合并提高模型的鲁棒性：
正则化：L1/L2 正则化或添加 丢弃层 (dropout layers) 等技术会在训练过程中引入惩罚或随机性，防止模型过度依赖特定特征。
早停法：监控验证集上的 损失函数 允许在对未见数据的性能停止改善时停止训练，即使训练准确率仍在上升。
数据增强：使用 数据增强 人为增加训练集的大小和多样性，使得模型更难记住确切的图像。
交叉验证：使用 k-折交叉验证 等技术可确保模型在不同的数据子集上进行测试，从而提供更可靠的性能评估。
Link to this section现实世界中的示例#
在生产环境中部署 AI 时，过拟合可能会产生严重后果：
医学诊断：在 AI 医疗保健 中，一个训练用于检测皮肤癌的模型可能会过拟合训练图像中的光照条件或标尺标记。当部署在具有不同光照或设备的诊所时，该模型可能会因依赖无关的背景线索而无法正确识别恶性病变。
金融预测：股票价格预测模型可能会过拟合由特定、不可重复事件（如一次性的经济危机）驱动的历史市场趋势。此类模型很可能无法准确预测未来的股票走势，因为它记住了过去的异常情况，而不是学习了基本的市场动态。
Link to this section代码示例：使用 YOLO26 进行早停#
使用 Ultralytics Platform 或本地训练脚本，你可以通过设置早停耐心值 (early stopping patience) 来防止过拟合。如果验证适应度在设定的 epochs 数内没有改善，这会停止训练。
from ultralytics import YOLO
# Load the YOLO26 model (latest generation)
model = YOLO("yolo26n.pt")
# Train with early stopping enabled (patience=50 epochs)
# If validation metrics don't improve for 50 epochs, training stops.
results = model.train(data="coco8.yaml", epochs=100, patience=50)
Link to this section相关概念#
泛化：模型适应并在新的、以前未见过的数据上表现良好的能力，这与过拟合正好相反。
交叉验证：一种评估统计分析结果如何 泛化 到独立数据集的技术。
正则化：通过在给定的训练集上适当地拟合函数来减少误差并避免过拟合的方法。