要判断模型是否过拟合，可以通过比较模型在训练集和测试集上的表现来确定。如果模型在训练集上表现很好，但在测试集上表现差，就说明模型过拟合了。

可以使用交叉验证来评估模型的性能。具体来说，可以将数据集分成几个部分，每次使用其中一部分作为测试集，其余部分作为训练集，然后计算模型在测试集上的表现。重复这个过程多次，每次使用不同的测试集和训练集，最后将所有测试集的表现取平均值作为模型的性能评估指标。

下面是一个判断模型是否过拟合的示例代码：

from sklearn.model_selection import cross_val_score

使用交叉验证评估模型性能

scores_train = cross_val_score(clf, X_train, Y_train, cv=5) scores_test = cross_val_score(clf, X_test, Y_test, cv=5)

计算平均分数

mean_score_train = scores_train.mean() mean_score_test = scores_test.mean()

判断模型是否过拟合

if mean_score_train > mean_score_test: messagebox.showwarning('警告', '模型可能存在过拟合现象！') else: messagebox.showinfo('提示', '模型没有过拟合现象。'