Day 26 | Overfitting v.s. Underfitting

我们已经学会了运用画出图表的方式来检视模型的训练过程，有时候图表曲线所呈现的结果相当理想，和我们预想的情况相差不大，但也有时候会出现比较有趣的特殊情形，彷佛在告诉我们模型的训练有些异常，今天就来简单介绍两种模型训练可能出现的特别现象。

在我们用AI做机器学习并进行辨识及预测时，就不能不提到两个专有名词：Overfitting与Underfitting。

• Overfitting，又称为拟合过度或过拟合现象：讲白话即是过度的学习训练资料，显示你把模型训练得太好了，而这里所谓训练得太好了的原因，可能是训练资料不足，或是不具有多样性，甚至是训练的次数过多或是太过彻底，导致这个模型只对於训练资料集内的数据有高准确率，但是对於未知的事物和数据则表现得特别差，就像是世界上狗的种类有那麽多，你的资料库中却只有黑色与白色的狗，一旦遇上花色的就完全认不出来。

• 恰巧相反的则是Underfitting，又称作拟合不足：显示这个模型可能尚未训练完全，或是训练的次数不足就开始对未知的数据做预测，导致准确度大幅降低，换句较浅显的话来说，就好比请一群小学生去做AI预测一样，准确度明显偏低。

因此，我们在机器学习的过程当中，若要避免或是减轻上述两种状况的发生，在资料库的收集时，就要注意尽量包含该群组的多样性与丰富性，但是又不能包含太多细节，要给AI深度学习程序一些些的模糊空间，才会给未知的部分做出更准确的判读。

• 参考资料：
  TensorFlow+Keras深度学习人工智慧实务应用 — 林大贵着
  https://zh.wikipedia.org/wiki/%E9%81%8E%E9%81%A9
  https://medium.com/%E9%9B%9E%E9%9B%9E%E8%88%87%E5%85%94%E5%85%94%E7%9A%84%E5%B7%A5%E7%A8%8B%E4%B8%96%E7%95%8C/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-ml-note-overfitting-%E9%81%8E%E5%BA%A6%E5%AD%B8%E7%BF%92-6196902481bb