过拟合现象的主要原因是？ A. 模型过于简单B. 训练数据量过少C. 模型在训练集上过度学习噪声D. 特征维度过低

过拟合的核心问题是模型对训练数据的噪声和细节过度学习，导致泛化能力下降。解题关键在于区分过拟合与欠拟合的原因：

• 过拟合：模型复杂度过高，过度适应训练数据（包括噪声），测试表现差。
• 欠拟合：模型复杂度过低，无法捕捉数据规律，训练和测试表现均差。

选项中需识别过度学习噪声的描述，排除与欠拟合相关的干扰项。

选项分析

选项A：模型过于简单

• 欠拟合的典型原因，模型无法有效捕捉数据规律，导致训练和测试误差均高，与过拟合无关。

选项B：训练数据量过少

• 数据量少时，模型可能因学习样本不足而欠拟合。过拟合通常发生在数据充足但模型复杂度过高的场景，因此此选项不正确。

选项C：模型在训练集上过度学习噪声

• 正确答案。过拟合的本质是模型过度拟合训练数据中的噪声和随机波动，导致对新数据的预测能力下降。

选项D：特征维度过低

• 特征维度低限制了模型表达能力，易导致欠拟合，与过拟合无关。