深度学习模型过拟合（在训练数据上表现良好，但在新数据上表现不佳）。哪项操作将改善模型在新数据上的泛化能力？

模型过拟合意味着它过度学习了训练数据中的噪声和细节，导致在新数据上表现不佳。 增加训练数据集的大小：更多的数据可以帮助模型学习到更普遍的模式，而不是仅仅记住训练样本的特定细节，从而提高泛化能力。 减少输入特征的数量：过多的特征（尤其是与目标不相关的特征）会增加模型的复杂性，使其更容易过拟合。通过特征选择或降维来减少特征数量，可以简化模型，使其更专注于最重要的信息，从而提高泛化能力。 因此，增加训练数据量并减少不必要的特征是解决过拟合的有效策略。