过度拟合产生的原因

过拟合的第一个原因，就是建模样本抽取错误，包括（但不限于）样本数量太少， 抽样方法错误，抽样时没有足够正确考虑业务场景或业务特点，等等导致抽出 的样本数据不能有效足够代表业务逻辑或业务场景；

过拟合的第二个原因，就是样本里的噪音数据干扰过大，大到模型过分记住了噪音 特征，反而忽略了真实的输入输出间的关系；

过拟合的第三个原因，就是在决策树模型搭建中，如果我们对于决策树的生长没有 合理的限制和修剪的话，决策树的自由生长有可能每片叶子里只包含单纯的事件 数据(event)或非事件数据（no event），可以想象，这种决策树当然可以完 美匹配（拟合）训练数据，但是一旦应用到新的业务真实数据时，效果是一塌糊涂。

过拟合的第四个原因，就是建模时的“逻辑假设”到了模型应用时已经不能成立了。任 何预测模型都是在假设的基础上才可以搭建和应用的，常用的假设包括：假设历 史数据可以推测未来，假设业务环节没有发生显著变化，假设建模数据与后来的 应用数据是相似的，等等。如果上述假设违反了业务场景的话，根据这些假设搭 建的模型当然是无法有效应用的。

过拟合的第五个原因，就是建模时使用了太多的输入变量，这跟上面第二点（噪音数据） 有些类似，数据挖掘新人常常犯这个错误，自己不做分析判断，把所有的变量交给 软件或者机器去“撞大运”。须知，一个稳定优良的模型一定要遵循建模输入变量“ 少而精”的原则的。

上面的原因都是现象，但是其本质只有一个，那就是“业务理解错误造成的”，无论是抽样， 还是噪音，还是决策树，神经网络等等，如果我们对于业务背景和业务知识非常了解， 非常透彻的话，一定是可以避免绝大多数过拟合现象产生的。因为在模型从确定需求， 到思路讨论，到搭建，到业务应用验证，各个环节都是可以用业务敏感来防止过拟合 于未然的。