当数据量较少时，我们可能会遇到过拟合的问题。过拟合是指模型在训练数据上表现良好，但在测试数据上表现较差的情况。这通常是由于模型过于复杂，导致在训练数据上过度拟合，而在新的数据上表现不佳。

优化多项式拟合过拟合的方法有很多，包括：

1. 减少特征数量：减少特征的数量可以有效地减少模型的复杂度，从而减少过拟合的风险。

2. 正则化：正则化是一种防止过拟合的技术，它通过在损失函数中添加一个惩罚项，来限制模型的复杂度。

3. 早停法：早停法是一种防止过拟合的方法，它通过在验证集上监控模型的性能，当模型在验证集上的性能不再提高时，停止训练。

4. 数据增强：数据增强是一种通过对训练数据进行一些变换，来生成新的训练数据，以增加模型的泛化能力。

5. 特征选择：特征选择是指通过选择对模型预测最有影响力的特征，来减少模型的复杂度，从而避免过拟合。

6. 模型集成：模型集成是一种通过组合多个模型的预测结果，来提高模型的泛化能力。

7. 交叉验证：交叉验证是一种评估模型性能的方法，它通过将数据集划分为多个子集，然后在每个子集上训练和验证模型，以得到更准确的模型性能评估结果。