# 超参数调优与过拟合

## 元数据

- 书名：百面机器学习：算法工程师带你去面试
- 作者：葫芦娃
- 章节：第 2 章 模型评估
- 页码线索：043-045
- 目标岗位：AI PM / LLM 产品 / 算法工程师面试
- 优先级：P0
- 标签：hyperparameter, overfitting, experiment

## 面试问题

如何做超参数调优并降低过拟合风险？

## 30 秒回答

超参数调优要基于验证集或交叉验证，常见方法有网格搜索、随机搜索、贝叶斯优化。过拟合通过更多数据、正则化、简化模型、早停、Dropout、集成等方式缓解。

## 展开要点

- 训练集用于学习参数，验证集用于选超参数，测试集用于最终评估。
- 随机搜索在高维超参数空间常比网格搜索更高效。
- 过拟合表现为训练好、验证/线上差；欠拟合表现为训练和验证都差。
- 调参必须记录实验版本和指标，避免靠记忆调模型。

## 高频追问

- 交叉验证有什么优缺点？
- 早停为什么能缓解过拟合？
- 如何判断是数据问题还是模型问题？

## 项目映射

- 讲一个从 baseline 到调参提升的实验记录。
- LLM prompt/version 调优也可用类似实验管理方式。

## AI PM 迁移

AI PM 可以把 prompt、RAG 参数、模型路由都视为超参数，需要版本化和回归测试。

## 备注

本卡为面试复习用的概念重构和答题框架，不保存原书正文。