如果你想过拟合，那么是的，你只需要通过你的网络继续拟合训练数据，直到你达到尽可能接近零的训练损失（请注意，零损失比 100% 预测更强，并且会导致更大的损失过拟合）。无需使用交叉验证。如果您的网络足够复杂，那么在训练数据上达到非常高的准确性不会花费很长时间。

为了故意过拟合神经网络，将停止阈值和误差度量设为零，让神经网络运行大量迭代，直到达到零误差。

并且不执行任何正则化、输入或隐藏层丢失、交叉验证。

了解过拟合/欠拟合和偏差误差/方差误差之间的区别非常重要。

三件事很可能过度拟合：

1. 具有大量参数的复杂模型，用于训练的样本数量与参数数量之间存在关系。阅读有关乐观的信息
2. 少量训练样本
3. 训练大量迭代，直到训练误差非常接近于零

知道这些东西会增加过拟合的概率是非常重要的，但另一个重要的因素是问题本身。如果您有两个使用特征空间可分离的类，即使在所有这些条件下，即使训练误差为零，您也可能不会过度拟合。