---
title: "損失曲線（Loss Curve）"
slug: loss-curve
language: zh-TW
source: https://aiterms.tw/terms/loss-curve
updated_at: 2026-11-17
tags: [模型訓練, 模型評估, 深度學習, 訓練監控, Loss Curve, 訓練曲線, 泛化曲線, Generalization Curve, 訓練損失, 驗證損失, Training Loss, Validation Loss, val_loss]
ipas_term: false
---

# 損失曲線（Loss Curve）

> **模型訓練了幾十個 epoch，要怎麼知道它學得好不好、該不該停？**
>
> 看損失曲線：把損失對迭代次數或 epoch 畫成圖，可以把訓練損失和驗證損失畫在同一張圖（Google 稱為泛化曲線）。
>
> 損失先快速下降、再慢慢下降、最後趨於平坦，是典型的樣子。訓練損失一直降、驗證損失最後明顯高於訓練損失，就要懷疑過擬合。

### 容易混淆

> **損失曲線 vs 學習曲線（scikit-learn）**
>
> 損失曲線的橫軸是訓練迭代次數或 epoch，看的是同一個模型在訓練過程中損失怎麼變
> scikit-learn 的學習曲線橫軸是訓練樣本數，看的是資料變多時訓練分數與驗證分數怎麼變，用來判斷多加資料有沒有幫助
> 兩種圖橫軸不同，回答的問題也不同。
>
> **損失曲線 vs 驗證曲線（scikit-learn）**
>
> 驗證曲線的橫軸是某一個超參數的值，用訓練分數與驗證分數判讀（分數不是損失）：兩個分數都低是欠擬合，訓練分數高、驗證分數低是過擬合
> 損失曲線看的是訓練進度，不是超參數。
>
> **訓練損失 vs 驗證損失**
>
> 訓練損失是訓練過程中模型的損失，驗證損失是模型在驗證集上的損失，Google 詞彙表說明理想上同一筆樣本不應同時出現在訓練集和驗證集
> 驗證損失開始上升，代表泛化表現變差
> 判斷過擬合要看驗證損失，訓練損失再低也不代表模型對新資料一樣好。
>

### 記住這句就好

> 訓練損失一直降、驗證損失開始回升，表示泛化表現變差，可能開始過擬合，可以用提前終止停下來，並還原驗證損失最好的那一輪權重。

### 實際案例

> **Keras 的 history 物件**
> model.fit() 回傳的 history 物件記錄訓練過程的損失與指標。用 validation_data 傳入驗證資料，每個 epoch 結束時會另外算出驗證損失與驗證指標，也可以用 validation_split 保留一部分資料當驗證資料（取 fit() 收到的陣列最後一部分樣本，在任何打亂之前切出，只適用 NumPy 資料）。把 history.history 裡的 loss 與 val_loss 畫成折線圖，就是訓練與驗證的損失曲線。
>
> **用 EarlyStopping 自動停下來**
> Keras 的 EarlyStopping 預設監看 val_loss，patience 是連續幾個 epoch 沒有改善就停止（預設 0）。restore_best_weights 預設是 False，停下來時用的是訓練最後一步的權重，要設成 True 才會還原到監看值最好的那個 epoch。
>
> **看曲線檢查學習率**
> Google 機器學習詞彙表提到，學習率設得太低訓練會花太久，設得太高梯度下降常常難以收斂。損失下降得非常慢，或遲遲無法收斂時，學習率是可以先檢查的超參數之一。
>

### 演算法與應用

> 記錄：訓練時每個 epoch（或每隔固定的迭代次數）記下訓練損失，並在驗證資料上算出驗證損失。
> 畫圖：橫軸是迭代次數或 epoch，縱軸是損失，訓練與驗證兩條線畫在同一張圖，Google 稱這種圖為泛化曲線。
> 判讀：先快速下降、再慢慢下降、最後趨於平坦，是 Google 詞彙表描述的典型損失曲線。訓練損失持續下降、驗證損失最後明顯高於訓練損失，表示可能過擬合。Google 詞彙表也列出幾種可能造成欠擬合的原因，例如訓練的 epoch 太少或學習率太低、正則化率太高。
> 行動：過擬合時可以用提前終止，在驗證損失開始上升時停止訓練，訓練太久本身就可能造成過擬合。Keras 的 EarlyStopping 可以自動監看 val_loss。

### 情境判斷

> **Q1（直覺題）：訓練損失一路下降，驗證損失在第 20 個 epoch 之後開始上升，代表什麼？該怎麼做？**
>
> → 泛化表現開始變差，是過擬合的訊號：模型越來越貼合訓練資料，對沒看過的資料反而變差。可以用提前終止，在驗證損失開始上升時停止訓練，用 Keras 時設 EarlyStopping 監看 val_loss，並把 restore_best_weights 設成 True，還原監看值最好的那一輪權重。
>
> **Q2（判斷題）：訓練損失已經降得很低，就代表模型訓練好了嗎？**
>
> → 不一定。訓練損失只反映模型在訓練資料上的表現，要一起看驗證損失。驗證損失最後明顯高於訓練損失時，模型可能已經過擬合。
>
> **Q3（判斷題）：同事給你一張「學習曲線」，橫軸是訓練樣本數，可以拿來決定第幾個 epoch 停止嗎？**
>
> → 不行。橫軸是訓練樣本數的是 scikit-learn 文件裡的學習曲線，用來判斷多加資料有沒有幫助、模型偏向偏差還是變異誤差。要決定第幾個 epoch 停止，要看橫軸是 epoch 的損失曲線。
>

---

來源：https://aiterms.tw/terms/loss-curve
快查頁：https://aiterms.tw/terms/loss-curve
出處：
- Machine Learning Glossary: loss curve（Google for Developers）：https://developers.google.com/machine-learning/glossary#loss-curve
- Machine Learning Glossary: generalization curve（Google for Developers）：https://developers.google.com/machine-learning/glossary#generalization-curve
- Machine Learning Glossary: early stopping（Google for Developers）：https://developers.google.com/machine-learning/glossary#early-stopping
- Machine Learning Glossary: learning rate（Google for Developers）：https://developers.google.com/machine-learning/glossary#learning-rate
- Machine Learning Glossary: underfitting（Google for Developers）：https://developers.google.com/machine-learning/glossary#underfitting
- Machine Learning Glossary: validation set（Google for Developers）：https://developers.google.com/machine-learning/glossary#validation-set
- 3.5. Validation curves: plotting scores to evaluate models（scikit-learn 使用者指南，查核時為 1.9.1 版）：https://scikit-learn.org/stable/modules/learning_curve.html
- EarlyStopping（Keras 官方文件）：https://keras.io/api/callbacks/early_stopping/
- Training & evaluation with the built-in methods（Keras 官方指南）：https://keras.io/guides/training_with_built_in_methods/
最後更新：2026/11/17