【QA】什麼是過擬合（Overfitting）?
過擬合（Overfitting）就是模型訓練的過程中太屈就於training data，導致模型想將預測error降到最小，讓模型能符合每一個訓練集資料的點，但當模型遇到Testing data時，卻不見得會有很好的表現(error值高)，此種現象稱作為過擬合（Overfitting）。 **接下來我想要用視覺化與更直覺化理解的方式來討論這個問題。**
回答列表
-
2021/08/11 下午 09:14Chili贊同數：1不贊同數：0留言數：1
 正常來說，一般模型會像上圖一樣，不見得通過所有訓練集點，但可以看出，不論對訓練集或是測試集，其都有不錯的預測效果。  但過擬合（Overfitting）的模型，就會像圖二一樣，雖然對訓練集的預測能力很高，但遇到測試集或是驗證集資料時，就不具備如此理想的預測力。從圖中可以看出，此模型並沒有辦法預測到測試集的點。 **＊當然這舉例，相對極端，現實上遇到的模型大多不會如此，但我們可以這樣的方式，初步暸解過擬合（Overfitting）的樣態。** ------ * 造成模型產生過擬合（Overfitting）的可能原因： (1) 訓練資料太少-當訓練資料太少時，模型沒有太多的東西可以用來生成模型，就會使得模型不能反映資料的原貌。 (2) 模型太複雜-當模型有太多參數，或為高次方的模型時，就會可能發生過擬合（Overfitting）。如上圖二就是個高次方的模型。 ---- 參考答案來源： 莫煩： https://www.youtube.com/watch?v=e9OKufD6lRM&list=PLXO45tsB95cJ0U2DKySDmhRqQI9IaGxck&index=16 -------