过拟合识别：训练好不代表上线好

过拟合指模型过度记忆训练数据的噪声，在训练集上表现优异，但在未见数据上泛化能力差。它是建模中最常见的问题之一。

识别过拟合的典型信号是训练损失持续下降而验证损失开始上升，二者出现明显背离。此时继续训练只会加剧泛化性能的恶化。

缓解手段包括增加正则化、简化模型容量、扩充训练数据和早停。交叉验证能更稳定地估计泛化误差，避免单次划分带来的偶然性。

需要区分过拟合与数据泄漏，后者也会表现为离线指标虚高。排查时应先检查数据构造流程，再考虑模型复杂度问题。