「過擬合（Overfitting）」在機器學習中的意義與解決方式為何？
A模型訓練誤差和測試誤差都很高，解法是增加資料
B模型對訓練資料表現極好但對新資料泛化差，解法包括正規化、Dropout、增加訓練資料正確答案
C模型訓練速度太慢，解法是換更快的 GPU
D模型權重為負值，解法是重新初始化
答案與詳解
逐選項解析
A模型訓練誤差和測試誤差都很高，解法是增加資料✕ 錯誤
訓練與測試誤差皆高屬於「欠擬合（Underfitting）」，代表模型複雜度不足，無法有效學習資料特徵。
B模型對訓練資料表現極好但對新資料泛化差，解法包括正規化、Dropout、增加訓練資料✓ 正確
正確描述過擬合的現象（訓練誤差低、測試誤差高，即泛化能力差）及常見解法（正規化、Dropout、增加訓練資料量）。
C模型訓練速度太慢，解法是換更快的 GPU✕ 錯誤
D模型權重為負值，解法是重新初始化✕ 錯誤
立即註冊,看完整詳解
這題的完整詳解,註冊就能看 · 每天 2 題免費
- 完整逐選項解析
- 秒殺解題技巧與破題關鍵
- 關鍵知識表整理
- 陷阱與易錯提醒
- 同考點歷屆題庫連續刷題與錯題本
立即註冊觀看完整詳解 已有帳號?登入
