1.什么是过拟合？
过拟合（overfitting）是指在模型参数拟合过程中的问题，由于训练数据包含抽样误差，训练时，复杂的模型将抽样误差也考虑在内，将抽样误差也进行了很好的拟合。
具体表现就是最终模型在训练集上效果好；在测试集上效果差。模型泛化能力弱。
2、产生过拟合根本原因：
（1）观察值与真实值存在偏差
训练样本的获取，本身就是一种 抽样。抽样操作就会存在误差， 也就是你的训练样本 取值 X， X = x(真值) + u（随机误差)，机器学习的 优化函数 多为 min Cost函数，自然就是尽可能的拟合 X，而不是真实的x,所以 就称为过拟合了，实际上是学习到了真实规律以外的 随机误差。举个例子说，你想做人脸识别，人脸里有背景吧，要是你这批人脸背景A都相似，学出来的模型，见到背景A，就会认为是人脸。这个背景A就是你样本引入的误差。
（2）训练数据不足，数据太少，导致无法描述问题的真实分布
举个例子，投硬币问题 是一个 二项分布，但是如果 你碰巧投了10次，都是正面。那么你根据这个数据学习，是无法揭示这个规律的，根据统计学的大数定律（通俗地说，这个定理就是，在试验不变的条件下，重复试验多次，随机事件的频率近似于它的概率），当样本多了，这个真实规律是必然出现的。
为什么说 数据量大了以后 就能防止过拟合，数据量大了，
问题2，不再存在，
问题1，在求解的时候因为数据量大了， 求解min Cost函数时候， 模型为了求解到最小值过程中，需要兼顾真实数据拟合 和 随机误差拟合，所有样本的真实分布是相同的（都是人脸），而随机误差会一定程度上抵消（背景），
另外：维度灾难与过拟合请移步：https://www.cnblogs.com/CJT-blog/p/10422923.html
（3）数据有噪声（类似（1））
我们可以理解地简单些：有噪音时，更复杂的模型会尽量去覆盖噪音点，即对数据过拟合。这样，即使训练误差Ein 很小（接近于零），由于没有描绘真实的数据趋势，Eout 反而会更大。
即噪音严重误导了我们的假设。还有一种情况，如果数据是由我们不知道的某个非常非常复杂的模型产生的，实际上有限的数据很难去“代表”这个复杂模型曲线。我们采用不恰当的假设去尽量拟合这些数据，效果一样会很差，因为部分数据对于我们不恰当的复杂假设就像是“噪音”，误导我们进行过拟合。
如下面的例子，假设数据是由50次幂的曲线产生的（下图右边），与其通过10次幂的假设曲线去拟合它们，还不如采用简单的2次幂曲线来描绘它的趋势。
（4）训练模型过度，导致模型非常复杂
有点像原因（3），模型强大到连噪声都学会了。
3、抑制过拟合的几种方法
（1）数据处理：清洗数据、减少特征维度、类别平衡；
1、清洗数据：纠正错误的label，或者删除错误数据
2、降维：
维数约减（移步：https://www.cnblogs.com/CJT-blog/p/10253853.html）
特征选择（移步：https://www.cnblogs.com/CJT-blog/p/10286574.html）
3、类别平衡：
请移步：https://www.cnblogs.com/CJT-blog/p/10223157.html
（2）辅助分类节点(auxiliary classifiers)
在Google Inception V1中,采用了辅助分类节点的策略,即将中间某一层的输出用作分类,并按一个较小的权重加到最终的分类结果中,这样相当于做了模型的融合,同时给网络增加了反向传播的梯度信号,提供了额外的正则化的思想.
（3）正则化：
获取更多数据：从数据源获得更多数据，或数据增强；
L2、L1、BN层等；
使用合适的模型（减少网络的层数、神经元个数等，限制权重过大），限制网络的拟合能力，避免模型过于复杂；
增加噪声：输入时+权重上（高斯初始化）；
多种模型结合：集成学习的思想；
Dropout：随机从网络中去掉一部分隐神经元；
限制训练时间、次数，及早停止
········
详细请移步：https://www.cnblogs.com/CJT-blog/p/10424060.html
参考资料：
https://www.cnblogs.com/eilearn/p/9203186.html
https://blog.csdn.net/u012457308/article/details/79577340
https://blog.csdn.net/taoyanqi8932/article/details/71101699
https://blog.csdn.net/liuy9803/article/details/81611402
https://blog.csdn.net/chen645096127/article/details/78990928