很明显，如果你的模型在训练集上的表现比测试集好几个百分点，那么你就是过拟合了。

这不是真的。您的模型是基于训练学习的，并且在测试集之前没有“见过”，因此显然它应该在训练集上表现更好。它在测试集上表现（有点）差的事实并不意味着模型过度拟合——“明显”的差异可以表明这一点。

检查来自Wikipedia的定义和描述：

当统计模型描述随机误差或噪声而不是潜在关系时，就会发生过度拟合。过度拟合通常发生在模型过于复杂的情况下，例如相对于观察次数而言参数过多。过度拟合的模型通常具有较差的预测性能，因为它会夸大数据中的微小波动。

存在过拟合的可能性，因为用于训练模型的标准与用于判断模型功效的标准不同。特别是，模型通常通过在某些训练数据集上最大化其性能来训练。然而，它的功效并不取决于它在训练数据上的表现，而是取决于它在看不见的数据上表现良好的能力。当模型开始“记忆”训练数据而不是“学习”从趋势中概括时，就会发生过拟合。

在极端情况下，过拟合模型对训练数据的拟合度很好，而对测试数据的拟合度很差。然而，在大多数现实生活的例子中，这要微妙得多，判断过度拟合可能要困难得多。最后，您的训练集和测试集的数据可能相似，因此模型似乎在两个集上都表现良好，但是当您在一些新数据集上使用它时，由于过度拟合，它表现不佳，就像在谷歌流感趋势中一样例子。

想象一下，您有关于某个及其时间趋势的数据（如下图所示）。你有关于它的数据从 0 到 30，并决定使用 0-20 部分数据作为训练集，21-30 作为保留样本。它在两个样本上的表现都非常好，存在明显的线性趋势，但是当您对高于 30 倍的新的未见数据进行预测时，良好的拟合似乎是虚幻的。$Y$

这是一个抽象的例子，但想象一个现实生活中的例子：你有一个模型可以预测某些产品的销售情况，它在夏季表现非常好，但到了秋天，表现就下降了。你的模型对夏季数据过度拟合——也许它只适用于夏季数据，也许它只对今年的夏季数据表现良好，也许今年秋天是一个异常值，模型很好......