过拟合是指模型在训练集上表现很好，但在验证和测试阶段效果比较差，即模型的泛化能力很差。过拟合的解决方法如下。
（1）增加训练数据量。发生过拟合最常见的原因就是数据量太少或者模型太复杂，增加数据量可以缓解该问题，如在图像识别时，增加训练数据集的图像数量可以降低过拟合的风险。如果数据获取比较困难，可以将现有数据集上的图像进行旋转、拉伸等操作，从而实现数据集扩展。
（2）减少数据特征，去掉数据中非共性的特征。
（3）调整超参数。
（4）使用正则化约束或者增强正则化约束。
（5）降低模型的复杂度。
（6）使用Dropout。Dropout只适用于神经网络，按照一定的比例失活隐藏层的神经元，使得神经网络更简单。
（7）Early Stopping，即提前结束训练。在训练模型的过程中，如果训练误差一直在降低，但是验证误差却不再降低甚至上升，这时候便可以结束模型训练。
