綠線代表過適模型，黑線代表正則化模型。雖然綠線完美的符合訓練數據，但調適得太过緊密或精確；並且與黑線相比，在新的測試資料上会有更高的錯誤率。 在統計學 中，過適 （英語：overfitting 擬合過度 ）是指過於緊密或精確地匹配特定資料集，以致於無法良好地拟合其他資料或預測未來的觀察結果的現象 。[ 1] 过拟合模型 指的是相较有限的数据而言，参数 过多或者结构过于复杂的统计模型 。[ 2] 偏差 小而方差 大。过拟合的本质是训练算法从统计噪声 [ 3] :45 相较用于训练的資料總量來說，一個模型只要结构足夠複雜或参数足够多，就总是可以完美地適應資料的。過適一般可以視為違反奥卡姆剃刀 原則。
与过拟合相对应的概念是欠拟合 underfitting 擬合不足 ）；它是指相较于数据而言，模型参数过少或者模型结构过于简单，以至于无法捕捉到数据中的规律的现象。发生欠拟合时，模型的偏差大而方差小。
在机器学习 或人工神經網路 中，过拟合与欠拟合有时也被称为「过训练（英語：overtraining ）」和「欠训练（英語：undertraining ）」。
之所以存在过拟合的可能，是因为选择模型 的标准和评价模型的标准是不一致的。举例来说，选择模型时往往是选取在训练数据 学习 规律时，就可能发生过拟合。一般来说，當參數的自由度或模型结构的复杂度超過資料所包含資訊內容時，拟合后的模型可能使用任意多的參數，這會降低或破壞模型泛化的能力。
在統計学习和機器學習中，為了避免或减轻過適現象，須要使用額外的技巧（如模型选择 、交叉驗證 、提前停止 、正则化 、剪枝 、贝叶斯信息量准则 、赤池信息量準則 或dropout ）。在treatment learning中，使用最小最佳支援值（英語：minimum best support value ）來避免過適。 [來源請求]
监督学习（例如神经网络 ）中的过拟合/过训练。训练误差用蓝色表示，验证误差用红色表示。二者均为训练迭代次数的函数。若训练误差稳定下降，但验证误差上升，则说明可能出现过拟合。最佳模型应当是验证误差位于最低点时的模型。 机器学习模型的典型产出过程是由机器学习算法 在训练集 上进行训练，希望得到的模型 能够在训练过程中不可见的验证集上表现良好。过拟合现象发生在使用违反奥卡姆剃刀 原则的模型或算法时：当引入相较数据集而言过多的参数时，或使用相较数据集而言过于复杂的模型时。
假设有一个训练集，其基准真相 y [ 4] :358 如果最终选择了复杂函数而非简单函数；并且在拟合训练数据时相较简单函数，复杂函数带来的收益没有抵消模型复杂度的增加，那么复杂函数就过拟合了数据。此时，尽管复杂函数在训练集上的表现与简单函数相同甚至更好，但在训练数据之外的验证数据上的表现，复杂函数可能会更糟糕。[ 5]
在确定模型复杂度时，简单地计算各模型中参数的数量是不可靠的，还需要考虑参数的表达方式。举例来说，直接比较带有 m n [ 5]
过拟合尤其容易在训练迭代次数相对有限训练样本过多的时候。此时，模型会拟合训练数据中特征的随机噪声，而这些与目标函数 因果关系 。在这种过拟合的过程中，模型在训练样本上的效果会持续提升，但在训练中不可见的数据（通常是验证集）上的效果会变得更差。举个简单的例子：假设有一个数据集，其中包含了零售的物品、买家、购买日期、购买时间。人们很容易在这个数据集上构造模型，来根据购买日期和购买时间预测其他属性；但该模型在新数据上没有任何泛化性能，因为过去的时间再也不会出现了。
概括地说，机器学习算法在已知数据上很精确但在新数据上不精确的情形，可以称之为过拟合。人们可以这样在直觉上理解过拟合：「过去的经验可被分为两个部分：与将来有关的数据、与将来无关的数据（噪声）」。在其他条件都相同的情况下，预测的难度越大（不确定性越高），则过去信息中需要被当做噪声忽略的部分就越多。问题的难点在于，如何确定哪些数据应当被忽略。
能够避免拟合噪声的机器学习算法是健壮的 算法。
过拟合最显著的后果就是在验证集上的效果很差；其他后果罗列如下：[ 5]
相较拟合恰当的模型而言，拟合过度的模型倾向于从验证集的每个样本中获取更多信息；收集这些不必要的信息可能代价是高昂的，或者具有错误倾向的。当这些信息需要人工观察或者标注时，这种代价尤其明显。
拟合过度的复杂模型相较简单模型的可移植性更差。极端地说，一元线性回归模型可移植性非常好，甚至，但凡必要时，甚至可以用徒手进行计算。另一方面，极端复杂的模型只能在原始数据集上复现，这给模型的重用和理论研究的复现带来了困难。
^ OxfordDictionaries.com 中overfitting （页面存档备份 ，存于互联网档案馆 ）的統計學定義。^ Everitt B.S., Skrondal A. (2010), Cambridge Dictionary of Statistics , Cambridge University Press .
^ Burnham, K. P.; Anderson, D. R., Model Selection and Multimodel Inference 2nd, Springer-Verlag, 2002 Google Scholar .)^ Francesco Pezzella， Mahvash Tavassoli， David Kerr. Oxford Textbook of Cancer Biology. Oxford University Press. ^ 5.0 5.1 5.2 Hawkins, Douglas M. (2004), "The problem of overfitting", Journal of Chemical Information and Modeling
