把过拟合看作泛化差距

过拟合不是简单的“模型太大”，而是训练集表现继续变好、未见数据表现停止变好甚至变差的情况。

诊断模式

训练损失下降 → 验证损失上升 → 需要检查泛化

差距可能来自模型容量过大、数据有限、标签噪声、数据切分泄漏，或训练计划超过了有效区间。

应对矩阵

• 在调模型之前，先检查数据切分是否合理。
• 当数据分布过窄时，增加数据或进行增强。
• 当模型能够记住单个样本时，降低模型容量。
• 当验证曲线支持这一判断时，使用正则化、Dropout 或提前停止。
• 报告训练与验证之间的差距，以及完整评估协议，而不只是最好的训练分数。

重要的习惯是把验证曲线当作迁移能力的证据，而不是装饰性的图表。