模型與訓練
Underfitting 欠擬合是什麼？模型學得太淺的樣子
Underfitting 欠擬合是什麼？模型學得太淺的樣子
訓練模型時，最怕的其實不是學太多，而是根本沒學進去。
欠擬合就是那個「怎麼練都考不好」的狀態，看懂它的訊號，才知道該加資料還是加複雜度。
你將學到什麼
一句話定義
模型太簡單、學不到模式，訓練跟新資料上都表現很差。
白話比喻
像用一條直線去描一團彎彎曲曲的資料，怎麼畫都貼不上。
怎麼判斷
訓練誤差高，驗證誤差也高，而且兩條線靠得很近。
跟誰容易搞混
過擬合是學太多、記住雜訊；欠擬合是學太少、根本沒學到。
定義
Underfitting（欠擬合）是 AI 模型在訓練資料和新資料上表現都很差的現象。
核心概念是模型的「學習能力不足」，無法捕捉資料中的真實關係，因此在訓練資料上就已經有高誤差，泛化能力也差。
常見原因有四個：模型太簡單、訓練資料不足、特徵不夠或品質差、正則化過強。
白話比喻
想像一堆散落的資料點呈現波浪狀。欠擬合就是硬用一條直線去描它，怎麼擺都貼不上趨勢。
剛剛好的模型會畫出一條起伏適中的曲線，過擬合則會畫出一條為了穿過每個點而扭來扭去的線，連雜訊都學進去了。
欠擬合跟過擬合差在哪
| 比較項目 | 欠擬合 | 剛剛好 | 過擬合 |
|---|---|---|---|
| 模型複雜度 | 太簡單 | 適中 | 太複雜 |
| 訓練誤差 | 高 | 低 | 低 |
| 新資料誤差 | 高 | 低 | 高 |
| 偏差 Bias | 高 | 適中 | 低 |
| 變異 Variance | 低 | 適中 | 高 |
| 主要問題 | 學不夠 | 最佳狀態 | 學太多 |
實際用例
訓練一個判斷客戶會不會回購的模型，只丟了兩個欄位進去，結果不管誰進來都預測「不會」，準確率卡在同一個數字。這就是特徵不夠造成的欠擬合。
同樣的觀念也適用於 微調：資料筆數太少、參數 調得太保守，模型就學不到你要的風格。
延伸學習
ChatGPT 很強，但真正讓你下班的是 Google
六小時完整實錄。從「AI 很厲害，為什麼你還是每天加班」這個問題出發，把 Google Workspace 當成真正的工作平台重新設計一次流程 ── Sheets 的資料結構、Drive 與 Docs 的文件流、Gmail 與 Calendar 的通知系統，再用 Apps Script 讓它自己跑起來，最後收斂成一張屬於你自己的 AI 工作能力地圖。
NT$ 4,599
把你的專業教給 AI｜從 Expertise Mining 到 Professional Agent
兩天完整錄影。把藏在腦袋裡的專業挖出來、拆成可執行的判斷邏輯，再封裝成 Skill 與 Agent，讓 AI 真的替你完成一次工作。
NT$ 4,888