解析：
訓練準確率高但測試準確率低是典型的過擬合（Overfitting）現象。資料增強（Data Augmentation）透過對訓練影像進行旋轉、翻轉等隨機變化，可以增加訓練資料的多樣性，有效降低過擬合。
你有沒有在你資料太少，想把訓練集變得更有變化時，還在想這件事到底該怎麼看？
把它想成對同一份資料做合理變形，做出更多版本。 它能增加資料多樣性，讓模型看到更多樣的情況。 做得好會提升泛化，做過頭反而會把資料變得不自然。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
synthetic-data vs 收集更多原始資料：收集更多原始資料像找更多不同的模特兒來拍，成本高且耗時；資料擴增術則像把現有模特兒「變花樣」，成本低，但也能有效增加資料多樣性。 常見混淆：資料擴增術 vs synthetic-data 擴增是基於原資料做合理變化，合成資料可從零生成。
記住這句就好
不是亂加資料，是把原有資料變出合理變化。
實際案例
影像翻轉 把左右翻轉、旋轉或裁切，讓模型不只認一種角度。 文本回譯 先翻成另一種語言再翻回來，製造語意接近但說法不同的句子。
算法與應用
- 圖像、文字、語音都能做擴增，但方法會不一樣。
- 擴增要保持標籤不變，不然等於把資料弄錯。
- 它常和資料不足、類別不平衡或遷移學習一起使用。
情境判斷
Q1： 你只有少量影像資料，想提升模型穩定度，先想到什麼？
資料擴增通常是很合理的第一步。
Q2： 如果擴增後模型反而更差，可能代表什麼？
很可能擴增方式太激進，已經破壞了原本語意或特徵。
常見問題
資料擴增一定能提升模型效能嗎？
資料擴增通常能提升模型效能，尤其是在資料量不足的情況下。然而，不當的擴增策略或過度擴增可能導致模型過擬合，反而降低效能。因此，需要根據具體任務和資料集，謹慎選擇和調整擴增策略。
有哪些常用的圖像資料擴增方法？
常用的圖像資料擴增方法包括幾何變換（旋轉、縮放、平移、翻轉）、顏色空間變換（調整亮度、對比度、飽和度）、添加雜訊、裁剪、遮擋等。還可以結合多種方法，例如先旋轉再縮放，以增加資料的多樣性。
資料擴增在自然語言處理中如何應用？
在自然語言處理中，資料擴增可以通過同義詞替換、隨機插入、隨機刪除、回譯等方法實現。例如，可以使用同義詞詞典將句子中的某些詞替換為其同義詞，或者使用機器翻譯將句子翻譯成另一種語言，然後再翻譯回來，從而生成新的句子。
範例考題
某團隊訓練影像分類模型，發現模型在訓練資料上的準確率達 98%，但在測試資料上僅有 72%。若團隊希望提升模型對新資料的適應能力，並增加訓練資料的多樣性，下列何者最適合？
- A. 增加模型的深度與參數量，使模型學習更多細節
- B. 對訓練影像進行旋轉、翻轉等隨機變化 ✓ 正確答案
- C. 提高訓練速度，使模型更快完成學習
- D. 僅保留模型表現較好的訓練資料