优先补同分布、相互独立且符合上线边界的样本。先比较预期收益、波动和收集成本，不承诺任意来源的数据都有效。
在曲线上停一下，再决定往哪边改
选择典型局面，或调节样本量、模型容量和噪声。曲线使用同一口径的预测误差；阴影表示重复实验的示意波动范围，不是置信区间。
训练规模与预测误差
纵轴越低越好；同一规模下都重新拟合完整训练流水线。
训练误差
验证误差
重复实验波动带
操作：在图内点击或左右拖动；图表获得焦点后可用 ← → 微调、Page Up / Page Down 大步移动、Home / End 跳到两端。
把观察翻译成可证伪的下一步
同样是“验证误差高”，行动可能完全不同。先写下曲线证据，再只改变一个主变量，下一轮结果才知道该归因给谁。
先确认标签、特征信息和优化过程没有坏，再提高表达能力、加入有效特征，或减弱过强约束。
可比较更强正则、更低容量、数据增强或早停。若差距来自分布偏移，单靠正则化不会解决。
固定实体或时间边界，增加重复切分和随机种子；同时查近重复样本、类别不足、训练失败和标签混杂。