你有沒有看過一個學生，題目沒有多難卻還是一直答不對？ 你可以把欠擬合想成「模型太簡單，連訓練資料的規律都學不會」 它不是記太多，而是記太少，連基本模式都抓不到 所以訓練集和測試集的表現通常都不高
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
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？
Q2（判斷題）： 把模型調得更複雜，一定能解決所有問題嗎？
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。
iPAS 考試出題分析
根據歷年 iPAS AI 應用規劃師考古題統計，欠擬合 相關題目 平均佔 AI 技術類考題 5%， 屬於中頻考範圍。
常見出題方向包含：類神經網路架構（佔 40%）、模型訓練與評估（佔 35%）、防止過擬合的策略（佔 25%）。