欠擬合 是什麼？

Underfitting：欠擬合 的完整解釋

欠擬合指模型過於簡單，無法捕捉資料中的主要規律，訓練集與測試集的預測表現皆不理想

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 |

中英對照與跟過擬合的對照

中國大陸寫作「欠拟合」與「过拟合」，指的是同一件事。

怎麼判斷是哪一種

只看一個數字判斷不出來，要同時看訓練誤差與驗證誤差。

第一列最容易被誤判。看到效果不好就加資料，是很常見的直覺反應，但欠擬合加資料完全沒用，模型本來就沒能力擬合，給它更多資料只是讓它同樣學不好而已。這一步判斷錯，可以浪費掉整個專案的時間。

欠擬合的常見成因

模型能力不足。 用線性模型去配明顯非線性的關係，這是最典型的。

特徵不夠或沒表達出來。 資料裡沒有能區分結果的訊號。這時要做的是特徵工程或找新的資料來源，不是換模型。

正則化過強。 L1、L2 的係數設太大、dropout 比例太高，都會把模型壓得太簡單。

訓練不足。 epoch 太少或學習率太小，模型還沒收斂。看訓練誤差曲線還在往下掉就屬於這一類，繼續訓練即可。

學習率太大。 這個比較反直覺：學習率太大會讓損失一直震盪無法下降，看起來像欠擬合，其實是最佳化失敗。判斷方式是看損失曲線抖不抖。

診斷順序建議：先確認損失曲線正常收斂，再確認不是正則化過強，最後才考慮換更大的模型。

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。

欠擬合 在 iPAS 考試中的重點

根據歷年統計，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：類神經網路架構（40%）、模型訓練與評估（35%）、防止過擬合的策略（25%）。

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。