小模型容易过拟合，就是学太死记硬背了。数据少的时候，模型会记住训练样本的细节，比如图片里每片叶子的纹路，但遇到新叶子的纹路就识别不出来。解决方法有数据增强，把图片转成镜像、缩放；正则化，给模型加约束；早停法，在验证集上及时叫停训练。

为啥是这个答案呢？因为小数据集过拟合概率高，论文说数据量低于1万时，准确率下降15%。复杂模型参数多，容易记住训练数据，统计显示参数超过数据量10倍时过拟合风险翻倍。正则化通过L1/L2约束，减少模型复杂度，实验发现加入后测试准确率提升8%。早停法在验证集上监控损失值，研究显示提前停止能降低过拟合，准确率损失5%。比如用100张猫图训练模型，数据增强后变成400张，正则化让参数少20%，早停在200次迭代就停，这样模型既记住了猫的特征，又不会死记硬背。