中文名稱：欠擬合 英文名稱：Underfitting
📌 定義（Definition）
模型太過簡單，沒有學到資料中的關鍵規律。 在訓練資料和測試資料上都表現不好。
⭐原理與技術
常見造成欠擬合的原因
- 模型太簡單：線性模型處理明顯非線性問題
- 特徵不足或選錯：關鍵資訊沒給模型
- 訓練時間不足
- 正則化 太強
如何改善欠擬合
- 使用更複雜的模型
- 增加或改善特徵
- 降低正則化強度
- 延長訓練時間
🔗 應用領域
3 題模擬練習題
題目一：訓練與測試表現判斷（基本陷阱）
某 AI 模型的表現如下：
- 訓練資料準確率：60%
- 測試資料準確率：58%
請問最合理的判斷是什麼？
A. 模型泛化能力良好
B. 模型發生過擬合
C. 模型發生欠擬合
D. 測試資料品質有問題
正確答案：C
詳解：
欠擬合的典型特徵是：
- 訓練資料表現就不好
- 測試資料表現也不好
這代表模型連基本規律都沒有學會。
若是過擬合，訓練資料通常會明顯高於測試資料，因此 B 不符合。
A 與 D 都缺乏足夠證據支持。
題目二：模型調整方向判斷（方向反轉陷阱）
某模型在訓練資料與測試資料上皆表現不佳，工程師決定進行調整。
下列哪一個作法最可能改善目前狀況？
A. 簡化模型結構
B. 增加正則化強度
C. 增加模型複雜度
D. 提早停止訓練
正確答案：C
詳解：
訓練與測試都不好，代表的是欠擬合。
改善欠擬合的方向是：
讓模型「有能力學到規律」。
- A、B、D 都是在「限制模型」，會讓模型更學不到東西
- 只有 C 是提升模型表現的正確方向
這題常用來混淆「過擬合的對策」。
題目三：正則化判斷（概念混合陷阱）
某模型在訓練資料上準確率為 97%，測試資料僅有 65%。
若確認模型發生過擬合，下列哪一個調整最不恰當？
A. 增加訓練資料
B. 引入 L2 正則化
C. 降低模型複雜度
D. 增加模型訓練時間
正確答案：D
詳解：
模型已經過擬合，代表它「學太多細節」。
- A、B、C 都是在幫模型「降溫」
- D 反而會讓模型繼續記住雜訊，過擬合更嚴重
這題的陷阱在於：
很多人會直覺認為「訓練不夠久」，但這在過擬合情境下是錯的。
題目四：實務情境判斷（應用導向陷阱）
某製造業導入 AI 進行異常偵測，模型在歷史資料上效果極佳，
但實際上線後，誤判率大幅上升。
最可能的原因是什麼？
A. 模型發生欠擬合
B. 模型發生過擬合
C. 感測器硬體故障
D. 模型完全沒有使用機器學習
正確答案：B
詳解：
模型在「歷史資料（訓練）」表現很好，
在「真實新資料（上線環境）」表現變差，
這正是過擬合的典型實務表現。
A 與 D 不符合題目描述；
C 雖然在實務上可能，但題目明確是在考模型行為判斷。