Titanic MLP 損失曲線顏色代碼填空
原題
Titanic MLP 連題組第三題：模型訓練後繪製訓練/驗證損失曲線，圖顯示訓練損失（藍實線）持續下降，驗證損失（紅虛線）下降後在 0.45 附近趨平且小幅波動。 history = model.fit(X_train, y_train, validation_split=0.2, epochs=100, batch_size=10) loss, accuracy = model.evaluate(X_train, y_train, verbose=0) import matplotlib.pyplot as plt loss = history.history["loss"] epochs = range(1, len(loss)+1) val_loss = history.history["val_loss"] plt.plot(epochs, loss, 空格 1, label="Training Loss") plt.plot(epochs, val_loss, 空格 2, label="Validation Loss") 敘述（複選 sub-options）： A：空格 1 須填入 "b-" B：空格 2 須填入 "b--" C：空格 1 須填入 "r-" D：空格 2 須填入 "r--" E：驗證損失明顯較訓練損失減少更明顯 請問下列何者正確？（4 個選項各為不同的子敘述組合）
白話
Titanic MLP 訓練完成後，工程師要用 matplotlib 畫訓練/驗證損失曲線。圖中訓練損失是藍色實線，驗證損失是紅色虛線。程式碼裡有兩個空格要填入 matplotlib 的顏色+線型格式字串。題目列出 5 個子敘述（A-E），4 個選項各是不同的正確組合。
問你：5 個子敘述中，哪些是正確的？對應到哪個選項？
先自己選一個答案，再看完整解析。
一句話總結
5 個子敘述中正確的是子敘述 A 和子敘述 D：空格 1 填 "b-"（藍色實線，訓練損失），空格 2 填 "r--"（紅色虛線，驗證損失），對應選項 C 的「A、D」組合。
情境
先感受問題：matplotlib 的格式字串怎麼讀？
Titanic MLP 工程師訓練 100 個 epoch，要畫出訓練和驗證損失的變化曲線。圖的描述已經告訴我們：訓練損失是「藍色實線」，驗證損失是「紅色虛線」。
matplotlib 的 plt.plot() 第三個參數是「格式字串」，格式是「顏色代碼 + 線型代碼」：
- 顏色：b = 藍色（blue），r = 紅色（red）
- 線型：- = 實線，-- = 虛線
所以藍色實線 = "b-"，紅色虛線 = "r--"。空格 1 對應訓練損失（藍實線）= "b-"，空格 2 對應驗證損失（紅虛線）= "r--"。
子敘述 E 說「驗證損失減少更明顯」，但題目描述是「訓練損失持續下降，驗證損失在 0.45 附近趨平」，明顯是訓練損失減少幅度更大，驗證損失反而趨平，所以 E 是錯的。
舊方法
逐一判斷 5 個子敘述
- 子敘述 A（正確）：空格 1 對應訓練損失（藍實線），"b-" = 藍色（b）+ 實線（-），正確。
- 子敘述 B（錯誤）：空格 2 對應驗證損失（紅虛線），"b--" = 藍色虛線，顏色錯了，應該是紅色虛線 "r--"。
- 子敘述 C（錯誤）：空格 1 對應訓練損失（藍實線），"r-" = 紅色實線，顏色錯了，應該是藍色 "b-"。
- 子敘述 D（正確）：空格 2 對應驗證損失（紅虛線），"r--" = 紅色（r）+ 虛線（--），正確。
- 子敘述 E（錯誤）：題目說「訓練損失持續下降，驗證損失在 0.45 附近趨平」，表示訓練損失下降更多，驗證損失幾乎不再下降，子敘述 E 說「驗證損失減少更明顯」完全相反。
新方法
對應圖的描述填入格式字串
根據題目給出的圖的描述：
- 訓練損失：藍色實線 → plt.plot(epochs, loss, "b-", label="Training Loss"）→ 空格 1 = "b-"
- 驗證損失：紅色虛線 → plt.plot(epochs, val_loss, "r--", label="Validation Loss"）→ 空格 2 = "r--"
正確的子敘述是 A（空格 1 = "b-"）和 D（空格 2 = "r--"），對應選項 C 的「A、D」組合。
這就是選項 C 講的：A、D（子敘述 A 和 D 正確）。
中級考試大概率會考程式碼跟公式，所以這部分你還是要學。但如果現在學起來很痛苦，可以先跳過，等讀完其他題目回頭再來。
Step 1 純故事版（不出現程式碼）
想像你要畫一份「學生練習進度」的折線圖：藍色實線代表課堂練習分數（訓練），紅色虛線代表課外測驗分數（驗證）。
matplotlib 的格式字串就像「顏色 + 線型」的速記：b = 藍色（Blue），r = 紅色（Red）；- = 實線，-- = 虛線。所以「藍色實線」是 "b-"，「紅色虛線」是 "r--"。
從曲線的走勢判斷：訓練損失一直下降（模型在訓練資料上越來越好），驗證損失最後趨平（模型在沒見過的資料上效果趨於穩定，沒有明顯過擬合）。
Step 2 中文 ↔ 程式碼對照
| 白話說法 | 程式碼 |
|---|---|
| 藍色實線 | "b-" b=藍色, -=實線 |
| 紅色虛線 | "r--" r=紅色, --=虛線 |
| 綠色點線 | "g:" g=綠色, :=點線 |
| 黑色點標記 | "ko" k=黑色, o=圓點標記 |
| 訓練損失曲線 | plt.plot(epochs, loss, "b-", label="Training Loss") |
| 驗證損失曲線 | plt.plot(epochs, val_loss, "r--", label="Validation Loss") |
Step 3 符號角色表
- history.history["loss"]：每個 epoch 的訓練損失值（陣列），共 100 個值
- history.history["val_loss"]：每個 epoch 的驗證損失值，來自 validation_split=0.2 切出的驗證集
- validation_split=0.2：從 X_train 切出 20% 作為驗證集，這 20% 的資料不用於訓練梯度
- "b-" / "r--"：matplotlib 的 format string：顏色字母 + 線型符號
- 過擬合的信號：訓練損失持續下降、驗證損失先降後升，代表模型開始「背答案」而非「學到規律」
Step 4 完整公式對應
matplotlib 顏色代碼（常用）： b = blue（藍） r = red（紅） g = green（綠） k = black（黑） c = cyan（青） m = magenta（洋紅） y = yellow（黃）w = white（白） matplotlib 線型代碼： - = 實線（solid） -- = 虛線（dashed） -. = 點劃線（dash-dot） : = 點線（dotted） 組合範例： "b-" → 藍實線 ← 空格 1（訓練損失） "r--" → 紅虛線 ← 空格 2（驗證損失） "b--" → 藍虛線 ← 子敘述 B 的錯誤（顏色應為紅） "r-" → 紅實線 ← 子敘述 C 的錯誤（顏色應為藍） 損失曲線解讀： 訓練損失持續下降 + 驗證損失趨平 = 輕微過擬合或已收斂 訓練損失持續下降 + 驗證損失上升 = 明顯過擬合，需 Early Stopping 兩條曲線都下降並趨平 = 理想情況，訓練成功收斂
Step 5 自我複述
- matplotlib 格式字串 "g:o" 代表什麼顏色、線型、標記？
- 訓練損失下降而驗證損失趨平，這代表模型有沒有問題？
- validation_split=0.2 和 validation_data=(X_val, y_val) 有什麼差異？
- Early Stopping 在損失曲線上對應什麼位置停下來？
- 如果驗證損失比訓練損失低（曲線在下方），這正常嗎？
錯選項
為什麼其他選項是錯的
AB、C（空格 2 = "b--"，空格 1 = "r-"）
字面在說什麼
子敘述 B（空格 2 = "b--"）和子敘述 C（空格 1 = "r-"）是正確的。
為什麼不對
"b--" 是藍色虛線，但驗證損失應該是紅色虛線；"r-" 是紅色實線，但訓練損失應該是藍色實線。兩個都把顏色搞反了。選 B 和 C 是把訓練/驗證的顏色統統搞反的選項。
誰會選錯
對 "b" 和 "r" 的顏色記憶相反，以為 b = 紅色（red 的聯想？）、r = 藍色，或者把訓練/驗證的曲線說明讀混了。
BA、C、D（空格 1 有衝突：同時是 "b-" 和 "r-"）
字面在說什麼
子敘述 A（空格 1 = "b-"）、子敘述 C（空格 1 = "r-"）和子敘述 D（空格 2 = "r--"）都正確。
為什麼不對
子敘述 A 說空格 1 = "b-"，子敘述 C 說空格 1 = "r-"，兩者對同一個空格給出不同答案，不可能同時正確。選項 B 同時包含這兩個矛盾的子敘述，本身就是自相矛盾。另外子敘述 C 本身也是錯的（訓練損失是藍色不是紅色）。
誰會選錯
沒注意到 A 和 C 對應同一個空格但答案不同，直接從感覺上選了「看起來包含最多正確答案」的組合。
DC、D、E（空格 1 = "r-"，驗證損失減少更明顯）
字面在說什麼
訓練損失是紅色實線，且驗證損失下降比訓練損失更明顯。
為什麼不對
子敘述 C 把訓練損失說成紅色（應為藍色），顏色錯了；子敘述 E 說驗證損失減少更明顯，但題目明確說「訓練損失持續下降，驗證損失在 0.45 附近趨平」，是訓練損失下降幅度更大，E 的描述完全相反。
誰會選錯
把「驗證損失趨平」誤解成「驗證損失也很好」，忽略了「持續下降 vs 趨平」的差異；同時顏色也記錯了。
變形題
同個考點下次怎麼變形
答案
訓練 "b-"（藍實線）、驗證 "r--"（紅虛線）、測試 "g-."（綠點劃線）。或者使用 color 參數明確指定：plt.plot(epochs, test_loss, color='orange', linestyle=':'，label="Test Loss")。
答案
輕微過擬合或接近收斂。訓練損失比驗證損失低（訓練表現 > 驗證表現），這是過擬合的徵兆，但驗證損失趨平而非上升，說明還沒到嚴重過擬合。實務上可嘗試 Early Stopping、Dropout、L2 正則化來進一步改善。
答案
Keras 預設從 X_train 的「末尾」切出 20%，所以最後 20% 的資料是驗證集，前 80% 是訓練集。如果資料有時間順序，這可能造成問題（用舊資料訓練、用新資料驗證）。如果想隨機分割，應該在輸入前先 shuffle 資料，或改用 validation_data 參數手動指定驗證集。
答案
history.history 是一個字典，keys 包含："loss"（訓練損失）、"val_loss"（驗證損失）、"accuracy"（訓練準確率，如果 metrics=["accuracy"]）、"val_accuracy"（驗證準確率）。取準確率：acc = history.history["accuracy"]，然後 plt.plot(epochs, acc, label="Train Acc")。
答案
使用 Keras 的 EarlyStopping callback：`from keras.callbacks import EarlyStopping; es = EarlyStopping(monitor='val_loss', patience=10, restore_best_weights=True)`，然後 `model.fit(..., callbacks=[es])`。patience=10 表示驗證損失連續 10 個 epoch 沒有改善就停止，restore_best_weights=True 會把模型還原到驗證損失最低的那個 epoch。
延伸
想再往下看，這 5 個
- 過擬合（Overfitting）
本題損失曲線的核心讀法，訓練損失低於驗證損失且差距擴大，是過擬合的典型信號。 - 提前終止（Early Stopping）
對抗過擬合的常用策略，在驗證損失開始上升時提前停止訓練，是損失曲線監控的直接應用。 - 驗證資料集（Validation Set）
validation_split=0.2 切出的那 20% 資料，用於監控訓練過程而非評估最終效能。 - 交叉熵損失（Cross-Entropy Loss）
本題的損失函數（binary_crossentropy），損失曲線的 Y 軸代表的正是這個值的變化。 - 資料視覺化（Data Visualization）
本題考的 matplotlib 格式字串是資料視覺化的基礎工具，監控訓練過程的核心技能。