这个问题可能涉及一些解释，这是我的看法。

为了清楚起见，让我从我对这个概念的定义开始：过度拟合是指模型考虑到训练数据中偶然出现的模式，即模型假设这些模式是分布的特征，即使它们不是。

说这里没有进行有效的学习是真的吗？

不，这样说是错误的：模型过度拟合的事实并不意味着根本没有发生有效的学习。事实上，通常情况下，模型成功地获取了它应该捕获的模式（我们称之为有效学习），但也获取了它不应该捕获的模式（过度拟合）。对于任何复杂的数据，根本不会发生过度拟合的情况甚至是非常罕见的，事实上，通常很难准确地说出有效学习和过度拟合之间的界限在哪里。

然而，人们通常会在实际上过度拟合时谈论过度拟合，即模型对“机会模式”的概括过多，而对实际表征分布的模式却不够概括。测试集上的表现明显低于训练集是这种“过度过拟合”的典型标志。因此，从这个意义上说（过度）过度拟合是“机会模式”导致模型次优的时候。但即使是次优模型也可能已经学习了一些相关模式。

如果是这样，是否可以由此得出结论，存在一种不会过度拟合且测试精度更高的更好模型？

并非如此：如上所述，过拟合会使模型表现不佳，因此自然情况下，非过拟合模型的性能通常优于过拟合模型。然而，并不能保证仅仅通过消除过拟合就能达到更好的性能：举个极端的例子，如果特征大多是随机的和/或与响应变量不相关，那么模型很可能会过拟合，但是无论如何，如果没有过度拟合，性能会很糟糕。

在 OP 描述的情况下，我想说避免（过度）过度拟合总是值得的：首先当然是因为它只能提高性能，但也因为在更一般的层面上这意味着模型不是很可靠。如果稍后将该模型“在生产中”应用于大量实例，而这些实例恰好没有训练数据中的这种特定“机会模式”，那么模型将会出错，并且检测到为时已晚它。

说这里没有进行有效的学习是真的吗？

相反，如果测试和训练错误对于现场专家来说足够低，则可以肯定地说该模型能够在一定程度上从数据中学习。

如果是这样，是否可以由此得出结论，存在一种不会过度拟合且测试精度更高的更好模型？

鉴于您对问题的陈述，我认为没有足够的信息可以就此得出结论。

如果您考虑使用验证集或更好的交叉验证，您的观点可能会更好地理解。

您的验证错误将使您了解发生了多少过度拟合，以及模型是否有效地从训练集和测试集之间不同分布的数据中学习。