解析：
訓練準確率高但測試準確率低是典型的過擬合（Overfitting）現象。資料增強（Data Augmentation）透過對訓練影像進行旋轉、翻轉等隨機變化，可以增加訓練資料的多樣性，有效降低過擬合。
搜尋意圖： 如果你在找「過擬合 是什麼」、「過擬合 會怎麼考」或「過擬合 和相近概念差在哪」，先看這頁的定義、考點定位與延伸比較。
TL;DR： 過擬合指模型過度記憶訓練資料的細節與雜訊，導致在未見過的新資料上預測表現大幅下滑
實用情境： 適合用在 iPAS 複習、面試快查與閱讀 AI 文章時快速校正概念邊界。
下一步： 先讀完定義，再往下看範例考題與延伸比較，把概念轉成可作答的判斷。
你有沒有遇過考卷一模一樣會寫，題目一變就卡住的情況？
你可以把 過擬合 想成 訓練集背太熟，遇到新題就失準。
模型要能面對沒看過的新資料，訓練資料背太熟，遇到新資料就失準 這件事就特別重要。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
過擬合 vs 欠擬合
過擬合是學太專精，只會訓練集；欠擬合是學太少，連訓練集都學不好，兩者都導致模型泛化能力差，無法處理新資料。
最關鍵的區別：一個是記太熟，一個是學太少。
過擬合 vs 欠擬合
過擬合是學太細，欠擬合是學太少，兩邊都會讓泛化變差
最關鍵的區別：一個記太多，一個學太少。
記住這句就好
訓練資料背太熟，遇到新資料就失準
實際案例
案例 1：模型在訓練集接近滿分，到了測試集卻掉到很低
這種情況下，過擬合 會幫你把原本手工或靠直覺的步驟變得更穩。
案例 2：小資料配大模型，最後只學到雜訊沒有學到規律
另一個常見場景也能看出 過擬合 的價值，因為它處理的是同一種核心問題。
算法與應用
核心意思就是：訓練資料背太熟，遇到新資料就失準。
常見解法包含正則化、Dropout、早停、交叉驗證和增加資料
看訓練分數和驗證分數的落差，最容易先抓到問題
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 過度擬合、過擬合 | 台灣兩種說法都常見 |
| 过拟合、过度拟合 | 簡體寫法 |
| Overfitting | 英文原名 |
| 過度配適、過學習 | 統計學文獻裡的譯法 |
相反的問題是欠擬合（underfitting，欠拟合）：模型太簡單，連訓練資料都學不好。
怎麼判斷
| 訓練誤差 | 驗證誤差 | 診斷 | 該做什麼 |
|---|---|---|---|
| 高 | 高 | 欠擬合 | 加大模型、加特徵、訓練久一點、減少正則化 |
| 低 | 高 | 過度擬合 | 加正則化、加資料、簡化模型、提早停止 |
| 低 | 低 | 良好 | 檢查有沒有資料洩漏，好得不合理就是有問題 |
| 高 | 低 | 通常是切分或評估寫錯了 | 先檢查程式碼，不要急著解釋 |
判斷過度擬合只看一件事：訓練誤差與驗證誤差的落差。單看訓練誤差很低沒有意義，單看驗證誤差不夠好也不代表是過度擬合，可能只是模型不夠力。
解法，依效果排序
增加資料是最有效的手段，沒有之一。拿不到新資料時用資料增強：影像可以旋轉、裁切、調色，文字可以同義替換、回譯。
提早停止最簡單。盯著驗證誤差，一開始上升就停，並保留當時的權重。實作成本幾乎為零，效果常常出乎意料地好。
正則化：L2（權重衰減）把權重壓小、L1 把部分權重壓到 0、Dropout 隨機關掉神經元逼模型不依賴少數路徑。
簡化模型：減少層數、減少特徵、限制決策樹深度。
交叉驗證不會減少過度擬合，但能讓你更準確地發現它，資料量小的時候特別重要。
兩個常被忽略的來源
對驗證集過度擬合。 反覆用同一個驗證集調超參數，選出來的模型已經隱含地朝它最佳化了。所以最終評估一定要留一個從頭到尾只用一次的測試集。
資料洩漏造成的假象。 特徵裡混進了預測當下拿不到的資訊，訓練與驗證誤差都很低，上線後直接崩潰。最常見的形式是用整個資料集算標準化參數再切分，以及同一個實體的資料同時出現在訓練與驗證兩邊。訓練與驗證誤差都低得不合理時，先懷疑洩漏，不要先高興。
情境判斷
Q1（直覺題）： 模型在訓練集接近滿分，到了測試集卻掉到很低 這種情況，會先想到 過擬合 嗎？
→ 會，因為它正好在處理這件事的核心問題，只是還要看資料乾不乾淨、流程穩不穩。
Q2（判斷題）： 訓練分數很好、測試分數很差，一定是過擬合嗎？
→ 多半是，但也要看資料切分、標註品質和任務難度，有時是資料分布不同
iPAS 考題
出題方向： 過擬合 常考概念、應用場景和與相近術語的差別。
Q：如果題目問你「哪個敘述最符合 過擬合？」要先看什麼？
→ 先看它是在解決「訓練資料背太熟，遇到新資料就失準」這件事，還是只是描述相似的工具或流程。
常見問題
過擬合和欠擬合有什麼不同？
過擬合是指模型在訓練資料上表現很好，但在測試資料上表現很差；欠擬合是指模型在訓練資料和測試資料上都表現很差。 過擬合通常是因為模型過於複雜，學習了訓練資料中的雜訊；欠擬合通常是因為模型過於簡單，無法捕捉資料中的重要特徵。
什麼時候應該使用過擬合？
一般來說，我們應該避免過擬合。 但在某些特殊情況下，例如在資料量非常有限的情況下，或者在競賽中只關心特定測試集的表現時，可以適當允許模型過擬合。 但是，需要謹慎評估這種做法的風險，並採取相應的措施來控制過擬合的程度。
初學者學習過擬合最常見的誤解是什麼？
初學者最常見的誤解是認為訓練集準確率越高越好。 他們往往會過度追求在訓練集上的完美表現，而忽略了模型的泛化能力。 實際上，一個好的模型應該在訓練集和測試集上都表現良好，而不是只在訓練集上表現出色。
範例考題
某團隊訓練影像分類模型，發現模型在訓練資料上的準確率達 98%，但在測試資料上僅有 72%。若團隊希望提升模型對新資料的適應能力，並增加訓練資料的多樣性，下列何者最適合？
- A. 增加模型的深度與參數量，使模型學習更多細節
- B. 對訓練影像進行旋轉、翻轉等隨機變化 ✓ 正確答案
- C. 提高訓練速度，使模型更快完成學習
- D. 僅保留模型表現較好的訓練資料