当训练数据量少时，过拟合现象可能会出现。过拟合现象的根源可能是以下几个方面：
- 训练集的数据太少：如果训练集的数据量太少，模型无法看到所有的数据点，就无法学习到所有的特征，从而导致拟合过度。
- 训练集和新数据的特征分布不一致：如果训练集和新数据的特征分布不一致，模型会过度拟合新数据的特征，而忽略了训练集中真实的输入输出关系。
- 训练集中存在噪音：噪音会导致模型过分记住了噪音的特征，而忽略了真实的输入输出关系。
- 权值学习迭代次数足够多：如果权值学习迭代次数足够多，模型会过度拟合训练集中的噪音和没有代表性的特征。
为了解决过拟合现象，可以尝试以下方法：
- 获取更多的数据：训练集中的数据量并不是越多越好，但是训练集和新数据的特征分布不一致时，多数据可以更好地平衡模型的拟合程度和新数据的代表性。
- 数据增强：通过一定规则扩充数据，比如随机插入、旋转、翻转等，可以增加训练集和新数据的多样性，减少过拟合的风险。
- 选择合适的模型：选择合适的模型比简单地增加数据量更重要。在数据量少的情况下，选择简单、易训练的模型可能更容易收敛到最优解。
- 减少模型的复杂度：模型的复杂度过高也是过拟合的一个原因。在训练集数据量少的情况下，可以适当地减少模型的复杂度，使得模型更容易学习到训练集中的特征。
- 使用交叉验证：交叉验证可以帮助模型选择最佳的超参数组合，减少模型的拟合程度。
过拟合现象的根源是数据量少导致模型无法看到所有的数据点，无法学习到所有的特征，同时模型的复杂度过高也是一个原因。为了解决过拟合现象，可以尝试多种方法，选择合适的模型和数据，以及适当地减少模型的复杂度。
