随着小组的组建，测试工作顺利开展。
第一周的测试成果喜人，经过所有成员的努力，取得了不错的结果，至少向关弘几人证明了这个项目的可行性。
然而，英子却不太满意。
在池远邀请她参与到模型中算法的修改完善后，她就一直不满意。
虽然模型在第一周的测试中表现良好。
谈不上来为什么，她却始终觉得有哪里不对劲，尤其是她负责的部分。
池远倒是觉得英子因为这段时间学习内容太多导致的不自信。
对于他而言，他向来更相信数据，特别是自己得到数据。
现在数据表现不错，这是一种认可，只是样本不够多，他不敢下肯定。
不过，有一点上他们达成了一致——还需要更多测试。
另一边，随着归零的进行，更多的任务分配到了测试组上。
他们作为实习生，本来就不会把太重要的任务分给他们。
这样，英子和池远倒是能将更多精力投入到了自己的项目中。
然后……英子的‘感觉’这样莫名其妙地应验了。
随着测试集的扩大，问题真的出现了——
模型出现了‘过拟合’。
这指模型在训练数据上表现得很好，当脱离了测试数据，使用最新的、实际的数据作为测试集或验证集，某些表现又表现得非常差。
模型训练出来，就是用来对测试集给出判断、甚至预测可能发生的更多错误。
所以，一旦出现了‘过拟合’，这模型就不能用了。
可靠性太差，谁敢用？
这无疑是一个巨大的打击！
经过分析，他们怀疑‘过拟合’是因为以下原因：
1模型过于复杂：没错，在想法期间就简化过的模型还是太复杂了。这种复杂性使得模型不仅学会了数据中的有效模式，还学到了噪声和异常，导致对未见过的数据泛化能力差。
2训练数据量不足：更准确地说，是数据类型不足。相似的数据有些多了，让模型对某些特征或组合产生了过度依赖，而这些特征组合在新的数据上不一定成立。
工作量骤然翻