🔑 名詞卡
過擬合（Overfitting）
🎯 定義
模型在訓練數據上表現優異，但在測試數據上表現不佳的現象，通常是由於模型過度學習了訓練數據中的雜訊或特定模式，導致對測試數據的泛化能力不足。
防範策略
| 策略 | 說明 |
|---|---|
| Regularization（正則化） | 在損失函數中添加懲罰項，如 L1 和 L2 正則化 |
| Early Stopping（提前停止） | 當模型在驗證集上表現開始下降時，停止訓練 |
| Data Augmentation（數據增強） | 透過隨機旋轉、翻轉等方式擴展訓練數據集，提升泛化能力 |
易混淆
- vs 交叉驗證：交叉驗證是評估手段，透過多次分割數據訓練與測試來檢驗模型穩健性、降低過擬合風險；正則化、Early Stopping、數據增強才是直接防範過擬合的訓練策略。
- 在 Deep Q-Learning 中，DQN 引入經驗回放與目標網路也是為了減少神經網路的震盪與過擬合。
📖 課文原文「過擬合是模型在訓練數據上表現優異，但在測試數據上表現不佳的現象。」