---
title: "欠擬合（Underfitting）"
slug: underfitting
language: zh-TW
source: https://aiterms.tw/terms/underfitting
updated_at: 2026-04-29
tags: [模型訓練, 模型評估, 機器學習]
ipas_term: true
---

# 欠擬合（Underfitting）

> **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？**
> → 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。
>
### 常見問題
> **Q：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。
>
> **Q：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。
>
> **Q：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。
>

### 相關術語
> - **過擬合**：這是最常一起比較的反面概念
> - **正則化**：太強的正則化也可能把模型壓到欠擬合
> - **特徵擷取**：特徵太少時常會看起來像欠擬合
> - **深度學習**：理解模型容量時很有幫助

---

來源：https://aiterms.tw/terms/underfitting
快查頁：https://aiterms.tw/terms/underfitting
外部參考：https://ipd.nat.gov.tw/ipas/certification/AIAP/news/ffdba0fcdbda40baadeef2a1bdc0230e
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-underfitting