Overfitting 過擬合是什麼？模型背了答案，卻沒學到規律

有些學生考前一晚把考古題全背起來，模擬考滿分，正式考換題型就崩了。模型也會這樣，這個現象叫過擬合。

你不一定會親手訓練模型，但只要看得懂別人的評估數字，就能分辨「這個模型真的會」跟「這個模型只是背過」。

定義

Overfitting 過擬合，指 AI 模型在訓練資料上表現得很好，但在新的資料上表現得很差的現象。

原因是模型太複雜或訓練資料太少，於是它把訓練資料裡的雜訊也一起學進去了，記住的是細節而不是真正的規律，因此無法泛化到新資料。

四個常見成因：模型太複雜、訓練資料太少、特徵太多或含雜訊、正則化不足。

白話比喻

把三種狀況畫成曲線最清楚。過擬合的線緊貼每一個資料點，連雜訊都照描；剛剛好的線捕捉到主要趨勢；欠擬合的線太直，連趨勢都抓不到。

換成人話：過擬合是背答案的學生，欠擬合是根本沒讀書的學生，剛剛好才是真的把觀念學會的學生。

過擬合跟欠擬合差在哪？

實際用例

訓練一個瑕疵檢測模型，樣本只有兩百張，而且都在同一條產線同一個燈光下拍的。模型很快就把準確率練到接近滿分，換到另一條產線卻整個失準，因為它學到的是那個燈光，不是瑕疵本身。

解法照著清單走：先補資料並增加多樣性，再簡化模型、移除不相關的特徵，加上正則化與 Dropout，最後用早停避免它繼續背下去。

沒有在訓練模型的人也用得到這個觀念。看到別人展示的驚人準確率，第一個要問的是「這是訓練資料還是沒看過的資料」，答案不同，意義天差地遠。