解决过拟合的几种方法

1.增加数据集，增加数据量可以降低模型对训练集数据的依赖程度，从而减少过拟合的风险。

2.特征选择，使用更少的特征，减少特征维度，通过特征选择方法，去除冗余特征和噪声特征，以提高模型的泛化能力。

3.正则化（保留所有特征，但减少特征过大的影响）

最小化第一项会鼓励算法通过最小化预测值和实际值的平方差来很好地拟合训练数据。第二项试图使参数wj保持较小,这将倾向于减少过度拟合。
选定的λ值会影响代价函数更看重第一项还是第二项，也就是指定了相对重要性或相对权衡或如何在这两个目标之间取得平衡。

4.Dropout: Dropout是指在神经网络中随机选择一些节点，在训练时将其输出置为0，以减少节点之间的依赖关系，从而避免过拟合 

5.数据增强：通过随机旋转、裁剪、平移、缩放等方式，生成更多、更丰富的数据，以扩大训练集的规模，对数据进行标准化、归一化等预处理操作，可以提高模型的稳定性和泛化能力。