模型学得太死板叫过拟合。就像你教小孩背乘法表，他死记硬背能考满分，但遇到新问题全不会。过拟合就是模型在训练数据上表现好，遇到新数据就露馅。

为什么这样判断呢？因为过拟合的核心是“学偏了”。比如调参时如果模型在训练集准确率95%，但测试集只有70%，说明它记住了训练数据的特殊细节。数据量少的时候更容易过拟合，比如用100条数据训练模型，再拿50条新数据测，正确率骤降30%就是典型过拟合。就像你用5道题考试，学生全对但换道题就全错，这就是死记硬背没学透。过拟合的模型就像穿大号鞋，平时活动没问题，但遇到窄门就卡住腿。