Box 的引述是“所有模型都是错误的，但有些是有用的”。

如果我们有严重的过度拟合，我们的模型将无法对新数据进行预测。

为什么即使“所有模型都是错误的”，我们也会担心过度拟合？

您的问题似乎是Nirvana fallacy的变体，暗示如果没有完美的模型，那么每个模型都同样令人满意（因此模型中的缺陷是无关紧要的）。请注意，您可以很容易地就模型中的任何缺陷提出同样的问题：

• 即使“所有模型都是错误的”，为什么我们还要担心最大似然估计？

• 即使“所有模型都是错误的”，为什么我们还要担心标准错误？

• 即使“所有模型都错了”，为什么我们还要担心清理数据？

• 即使“所有模型都是错误的”，为什么我们还要担心算术是否正确？

所有这些问题的正确答案是，我们不应该让完美成为善的敌人——即使“所有模型都是错误的”，错误较少​​的模型仍然比错误较多的模型更可取。

完整的报价是“所有模型都是错误的，但有些是有用的”。我们关心过度拟合，因为我们仍然希望我们的模型有用。

如果您熟悉Bias-variance tradeoff，“所有模型都是错误的”陈述大致相当于说“所有模型都有非零偏差”。过度拟合是一个问题，虽然我们可以增加模型中的参数数量以减少偏差，但通常我们拥有的参数越多，我们的估计中的方差就越大。一个有用的模型是在足够灵活以减少偏差之间取得平衡，但又不能灵活到方差太高。

Citroën 2CV在许多方面都是一辆糟糕的汽车。缓慢，粗制且便宜。但它用途广泛，可以在铺好的道路和新犁过的土地上有效运行。

相比之下， F1 赛车被视为汽车工程的巅峰之作。快速、精确且仅使用最优质的组件。不过，我不喜欢驾驶一辆穿过开阔的场地。

2CV具有普遍适用性，而F1赛车只有非常具体的适用性。在专业工程师团队的帮助下，F1 赛车已经过度适应了尽快绕赛道行驶的特定问题，以监控、评估和解决高性能运行可能出现的任何问题。

同样，过度拟合的模型在过度拟合的情况下表现良好，但在其他情况下表现不佳（或根本没有）。具有通用性的模型如果暴露在您无法控制的不同环境中，即使它不如特定模型好，它也会更有用。