Модель с высокой дисперсией (переобучением) — это, например, дерево решений с большой глубиной или случайный лес с большим количеством деревьев без ограничений.

Пример (Python):

from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split

X, y = make_moons(noise=0.3, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

Переобученная модель (высокая дисперсия)

model = DecisionTreeClassifier(max_depth=None, min_samples_split=2)
model.fit(X_train, y_train)

print(f"Train accuracy: {model.score(X_train, y_train):.2f}") # ~1.0
print(f"Test accuracy: {model.score(X_test, y_test):.2f}") # Значительно ниже

Такая модель идеально обучается на тренировочных данных, но плохо обобщает. Решение — регуляризация (ограничение глубины, `min_samples_split` и т. д.) или ансамбли (например, `RandomForest` с разумными параметрами).