信用风险模型显示训练准确率为99%，但验证准确率仅为82%。公司需要在部署前解决此性能差距。哪些措施可以解决过拟合并提高泛化能力？

模型训练准确率高而验证准确率低是典型的过拟合现象。实施 dropout 层可以随机关闭部分神经元，强制网络学习更鲁棒的特征，减少对特定训练样本的依赖。L1 或 L2 正则化通过对模型权重施加惩罚，限制模型复杂度，防止过拟合。执行 k 折交叉验证虽然不能直接解决过拟合，但它能更可靠地评估模型在不同数据子集上的泛化能力，帮助选择最佳模型和超参数，从而间接指导过拟合的解决。 其他选项的错误在于： 增加模型复杂性（添加更多密集层）会加剧过拟合。批量归一化主要用于加速训练和稳定网络，对解决过拟合效果有限。提前停止是解决过拟合的有效方法，但单独不足以全面解决。 降维（PCA）可能导致信息损失，不一定能解决过拟合，甚至可能降低性能。减少模型层数可能导致欠拟合。交叉熵损失函数是分类任务的常用损失函数，与解决过拟合无关。 扩充训练数据集和删除重复记录是有效的数据预处理方法，有助于提高模型泛化能力，但不是直接解决过拟合的模型层面技术。分层抽样是数据抽样方法，确保类别比例一致，与过拟合无关。