统计的原则非常简单：根据样本中的实际数据构建能适用于各种情况的模型。然而，当选定的模型自由度较大，能记往每次观察的独特性，但并未真正理解背后的现象时，也会发生过度拟合问题。因此，模型发回的规则可能不适用，即使是面对最微小的变化也十分敏感。
例如，一个过度拟合的模型如果涉及年龄因素，即使两个人的出生时间只相距几天，也会产生截然不同的结果。
过度拟合
过度拟合是机器学习中常见的统计误差。过拟合指一个模型过于靠近某个数据集，因此缺乏普适性，就像一个人只是通过背诵“学会”了某样东西，但并未真正理解。他/她将无法回答之前未见过的问题，即使与见过的问题很像。
