模型與訓練
Underfitting 欠擬合是什麼？模型學得太淺的樣子
Underfitting（欠擬合）是指 AI 模型在訓練資料和新資料上表現都很差的現象。原因通常是模型太簡單、訓練資料不足、特徵不夠，使得模型抓不到資料裡的關鍵模式，因此做不出準確的預測。它的特徵是訓練誤差高、驗證誤差也高，而且兩者很接近，跟過擬合「訓練好、新資料差」剛好相反。
Underfitting 欠擬合是什麼？模型學得太淺的樣子
訓練模型時，最怕的其實不是學太多，而是根本沒學進去。
欠擬合就是那個「怎麼練都考不好」的狀態，看懂它的訊號，才知道該加資料還是加複雜度。
你將學到什麼
一句話定義
模型太簡單、學不到模式，訓練跟新資料上都表現很差。
白話比喻
像用一條直線去描一團彎彎曲曲的資料，怎麼畫都貼不上。
怎麼判斷
訓練誤差高，驗證誤差也高，而且兩條線靠得很近。
跟誰容易搞混
過擬合是學太多、記住雜訊；欠擬合是學太少、根本沒學到。
定義
Underfitting（欠擬合）是 AI 模型在訓練資料和新資料上表現都很差的現象。
核心概念是模型的「學習能力不足」，無法捕捉資料中的真實關係，因此在訓練資料上就已經有高誤差，泛化能力也差。
常見原因有四個：模型太簡單、訓練資料不足、特徵不夠或品質差、正則化過強。
白話比喻
想像一堆散落的資料點呈現波浪狀。欠擬合就是硬用一條直線去描它，怎麼擺都貼不上趨勢。
剛剛好的模型會畫出一條起伏適中的曲線，過擬合則會畫出一條為了穿過每個點而扭來扭去的線，連雜訊都學進去了。
欠擬合跟過擬合差在哪
| 比較項目 | 欠擬合 | 剛剛好 | 過擬合 |
|---|---|---|---|
| 模型複雜度 | 太簡單 | 適中 | 太複雜 |
| 訓練誤差 | 高 | 低 | 低 |
| 新資料誤差 | 高 | 低 | 高 |
| 偏差 Bias | 高 | 適中 | 低 |
| 變異 Variance | 低 | 適中 | 高 |
| 主要問題 | 學不夠 | 最佳狀態 | 學太多 |
實際用例
訓練一個判斷客戶會不會回購的模型，只丟了兩個欄位進去，結果不管誰進來都預測「不會」，準確率卡在同一個數字。這就是特徵不夠造成的欠擬合。
同樣的觀念也適用於 微調：資料筆數太少、參數 調得太保守，模型就學不到你要的風格。
常見誤解很多人一看到準確率不好就先想到過擬合，把正則化再調強，結果讓欠擬合更嚴重。先看訓練誤差：訓練誤差本身就高，那是欠擬合，該做的是加大模型容量或補特徵。詳細對照可看 Overfitting 過擬合 那一篇。
本文源起本文內容出自酒Ann 的「AI 實戰陪跑班」課程教材，由酒Ann 編寫成彙編條目。想系統性搞懂 AI 名詞，歡迎追蹤 酒Ann 的 Facebook。
延伸學習
常見問答
怎麼分辨是欠擬合還是過擬合？
看兩條誤差線。欠擬合是訓練誤差高、驗證誤差也高，兩者相近，代表模型連自己看過的資料都學不好。過擬合則是訓練誤差很低、驗證誤差卻很高，代表模型把訓練資料背起來了，遇到新資料就失準。方向完全相反，處理方式也相反。
增加資料量可以解決欠擬合嗎？
有時候可以，有時候沒用。如果原因是樣本太少導致模型學不到足夠的模式，加資料有效。但如果原因是模型本身太簡單或正則化太強，加再多資料誤差也不會明顯下降。這其實就是判斷方法之一：加了資料誤差沒動，問題多半在模型容量。
常見的改善方法有哪些？
五個方向：換更複雜的模型（更深或更多層）、增加訓練資料、改進特徵工程（加入更有意義的特徵或提升特徵品質）、調整超參數（減弱正則化強度、降低隨機丟棄比例）、延長訓練時間讓模型有機會充分學習。先從模型容量與特徵品質查起，通常最快見效。