欠擬合 是什麼？

Underfitting — 欠擬合 的完整解釋

欠擬合指模型過於簡單，無法捕捉資料中的主要規律，訓練集與測試集的預測表現皆不理想

容易混淆

欠擬合 vs 過擬合 欠擬合是學不夠 過擬合是學太死 最關鍵的區別：一個太弱，一個太死記

欠擬合 vs 高偏差 欠擬合常和高偏差有關 但偏差是更抽象的統計概念 最關鍵的區別：現象和原因層次不同

欠擬合 vs 沒訓練好 沒訓練好可能是流程問題 欠擬合是模型能力不足或設定太保守 最關鍵的區別：過程失誤和模型本質

記住這句就好

訓練和實戰都差，常是模型太弱或限制太多。

實際案例

線性模型太簡單 拿直線去擬合明顯彎曲的資料，連訓練資料都追不上，這就是欠擬合的經典畫面

特徵太少 只用一個欄位預測房價，結果連區域和坪數都沒看，模型自然抓不到重點

算法與應用

| 模型容量 | 太小就不夠表達複雜關係 | 這是常見原因 | | 訓練時間 | 太短也可能沒學到 | 但不是唯一原因 | | 特徵品質 | 特徵太少或太弱會拖累表現 | 資料本身很重要 | | 診斷方式 | 看訓練和驗證表現一起判斷 | 兩邊都差常是欠擬合 |

情境判斷

Q1（直覺題）：訓練準確率 60%，驗證準確率 58%，你先懷疑什麼？ → 先懷疑欠擬合，因為模型連訓練資料都沒學好。

Q2（判斷題）：把模型調得更複雜，一定能解決所有問題嗎？ → 不一定，如果資料品質差或特徵不對，調大模型也可能沒用。

欠擬合 在 iPAS 考試中的重點

根據歷年統計，欠擬合 相關題目 平均佔 AI 技術類考題 5%， 屬於中頻考範圍。

常見出題方向：類神經網路架構（40%）、模型訓練與評估（35%）、防止過擬合的策略（25%）。

常見問題

欠擬合一定是模型太小嗎？

不一定，也可能是特徵太少、訓練不足或正則化太強。

怎麼區分欠擬合和資料太難？

看一個更簡單的模型是否也能有合理表現，並檢查特徵是否足夠。

欠擬合可以靠更多資料解決嗎？

有時可以，但如果模型本身太弱，單加資料未必夠。