一個深度學習模型出現過度擬合（在訓練資料上表現良好，但在新資料上表現不佳）的情況。哪種做法可以改善模型在新資料上的泛化能力？

當模型過度擬合時，它已經學習了訓練資料中的雜訊和特定模式，導致在新資料上表現不佳。增加訓練資料集的大小能提供更多樣化的樣本，幫助模型學習更普遍的模式，而不是記住特定樣本。減少輸入特徵的數量（即特徵選擇或降維）有助於降低模型複雜度，減少模型學習不相關或冗餘資訊的機會，從而降低過度擬合的風險，提升泛化能力。單純增加特徵可能使模型更複雜，更容易過擬合；減少訓練資料則會剝奪模型學習足夠模式的機會。