关于对过拟合的理解

关于对过拟合的理解
好像有个关于网络参数过多会造成过拟合的说法，突然有了一点自己的理解，记下来：
假如只能使用n个一次函数对一幅图像上的点区域进行描述，
已知点的分布图

理想的区间划分

三条直线的划分，可以理解为三个参数

五条直线的划分

。。。。。
n条直线的划分 理解为无穷多参数时

可以看到，当参数太少时，描述能力太弱，预测太多，不能准确的刻画预测区域。
当参数太多时，描述能力超级强，完全描述了已知目标的区域，但是预测不足，导致对训练集中的数据推理十分准确，但是对于之外的数据推理能力不足。这就是我理解的过拟合

有什么办法能改善呢，
想了一个办法
对于每个样本点，都以自己为中心向外，以概率递减的方式扩展，然后将所有的点的概率进行加权取和，得到一个目标概率图。这样参数越多，预测的区域就会越准，不会出现过拟合