---
title: "欠擬合（Underfitting）"
slug: underfitting
language: zh-TW
source: https://aiterms.tw/terms/underfitting
updated_at: 2026-07-29
tags: [模型訓練, 模型評估, 機器學習]
ipas_term: true
---

# 欠擬合（Underfitting）

> **你有沒有看過一個學生，題目沒有多難卻還是一直答不對？**
> 你可以把欠擬合想成「模型太簡單，連訓練資料的規律都學不會」
> 它不是記太多，而是記太少，連基本模式都抓不到
> 所以訓練集和測試集的表現通常都不高
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **欠擬合 vs 過擬合**
> 欠擬合是學不夠
> 過擬合是學太死
> 最關鍵的區別：一個太弱，一個太死記
>
> **欠擬合 vs 高偏差**
> 欠擬合常和高偏差有關
> 但偏差是更抽象的統計概念
> 最關鍵的區別：現象和原因層次不同
>
> **欠擬合 vs 沒訓練好**
> 沒訓練好可能是流程問題
> 欠擬合是模型能力不足或設定太保守
> 最關鍵的區別：過程失誤和模型本質
>

### 記住這句就好
> 訓練和實戰都差，常是模型太弱或限制太多。

### 實際案例
> **線性模型太簡單**
> 拿直線去擬合明顯彎曲的資料，連訓練資料都追不上，這就是欠擬合的經典畫面
>
> **特徵太少**
> 只用一個欄位預測房價，結果連區域和坪數都沒看，模型自然抓不到重點
>

### 算法與應用
> | 模型容量 | 太小就不夠表達複雜關係 | 這是常見原因 |
> | 訓練時間 | 太短也可能沒學到 | 但不是唯一原因 |
> | 特徵品質 | 特徵太少或太弱會拖累表現 | 資料本身很重要 |
> | 診斷方式 | 看訓練和驗證表現一起判斷 | 兩邊都差常是欠擬合 |

### 中英對照與跟過擬合的對照

| 中文 | 英文 | 說明 |
| --- | --- | --- |
| 欠擬合 | underfitting | 模型太簡單，連訓練資料都學不好 |
| 過擬合 | overfitting | 模型太複雜，把訓練資料的雜訊也背下來 |
| 偏差 | bias | 欠擬合對應高偏差 |
| 變異數 | variance | 過擬合對應高變異數 |

> 中國大陸寫作「欠拟合」與「过拟合」，指的是同一件事。

### 怎麼判斷是哪一種

> 只看一個數字判斷不出來，要同時看訓練誤差與驗證誤差。

| 訓練誤差 | 驗證誤差 | 診斷 | 該做什麼 |
| --- | --- | --- | --- |
| 高 | 高 | 欠擬合 | 加大模型、加特徵、訓練更久、降低正則化 |
| 低 | 高 | 過擬合 | 加資料、加正則化、提早停止、簡化模型 |
| 低 | 低 | 剛好 | 可以上線了 |
| 高 | 低 | 通常是資料切分有問題 | 檢查驗證集是不是太簡單或有洩漏 |

> 第一列最容易被誤判。看到效果不好就加資料，是很常見的直覺反應，但**欠擬合加資料完全沒用**，模型本來就沒能力擬合，給它更多資料只是讓它同樣學不好而已。這一步判斷錯，可以浪費掉整個專案的時間。

### 欠擬合的常見成因

> **模型能力不足。** 用線性模型去配明顯非線性的關係，這是最典型的。
>
> **特徵不夠或沒表達出來。** 資料裡沒有能區分結果的訊號。這時要做的是特徵工程或找新的資料來源，不是換模型。
>
> **正則化過強。** L1、L2 的係數設太大、dropout 比例太高，都會把模型壓得太簡單。
>
> **訓練不足。** epoch 太少或學習率太小，模型還沒收斂。看訓練誤差曲線還在往下掉就屬於這一類，繼續訓練即可。
>
> **學習率太大。** 這個比較反直覺：學習率太大會讓損失一直震盪無法下降，看起來像欠擬合，其實是最佳化失敗。判斷方式是看損失曲線抖不抖。
>
> 診斷順序建議：先確認損失曲線正常收斂，再確認不是正則化過強，最後才考慮換更大的模型。

### 情境判斷
> **Q1（直覺題）：訓練準確率 60%，驗證準確率 58%，你先懷疑什麼？**
> → 先懷疑欠擬合，因為模型連訓練資料都沒學好。
>
> **Q2（判斷題）：把模型調得更複雜，一定能解決所有問題嗎？**
> → 不一定，如果資料品質差或特徵不對，調大模型也可能沒用。
>
### 常見問題
> **Q：欠擬合一定是模型太小嗎？**
> 不一定，也可能是特徵太少、訓練不足或正則化太強。
>
> **Q：怎麼區分欠擬合和資料太難？**
> 看一個更簡單的模型是否也能有合理表現，並檢查特徵是否足夠。
>
> **Q：欠擬合可以靠更多資料解決嗎？**
> 有時可以，但如果模型本身太弱，單加資料未必夠。
>

### 相關術語
> - **過擬合**：這是最常一起比較的反面概念
> - **正則化**：太強的正則化也可能把模型壓到欠擬合
> - **特徵擷取**：特徵太少時常會看起來像欠擬合
> - **深度學習**：理解模型容量時很有幫助

---

來源：https://aiterms.tw/terms/underfitting
快查頁：https://aiterms.tw/terms/underfitting
外部參考：https://ipd.nat.gov.tw/ipas/certification/AIAP/news/ffdba0fcdbda40baadeef2a1bdc0230e
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-underfitting