在 AI 中，“过拟合”指的是？A. 模型在测试集上表现差B. 模型学习不足C. 模型对训练数据过度学习D. 模型在训练集上表现差

本题考查对AI中“过拟合”概念的理解。解题思路是明确过拟合的定义，然后将各个选项与该定义进行对比分析。

• 选项A：模型在测试集上表现差是过拟合可能导致的结果，但这并不是过拟合的本质定义。过拟合主要强调的是模型与训练数据的关系，而不是在测试集上的表现，所以选项A不符合过拟合的定义。
• 选项B：模型学习不足通常表现为模型在训练集和测试集上的表现都不佳，无法很好地捕捉数据中的模式和规律。而过拟合是模型对训练数据过度学习，并非学习不足，所以选项B错误。
• 选项C：过拟合的核心就是模型对训练数据过度学习，它不仅学习到了数据中的一般模式，还学习到了训练数据中的噪声和异常值。这使得模型在训练集上表现非常好，但在新的数据（如测试集）上表现不佳，所以选项C正确。
• 选项D：过拟合的模型在训练集上通常表现很好，因为它已经过度适应了训练数据。而在训练集上表现差不符合过拟合的特征，所以选项D错误。