詳細解釋
欠擬合（Underfitting）是模型過於簡單，無法捕捉數據中的潛在模式，導致在訓練數據和測試數據上都表現不佳的現象。
症狀：
- 訓練損高：訓練集上損失大，準確率低
- 驗證損也高：測試集同樣表現差
- 學習不足：模型沒有學到有效模式
- 過於簡化：決策邊界過於簡單
原因：
- 模型簡單：容量不足以學習複雜模式
- 訓練不足：Epoch太少，未充分訓練
- 學習率小：優化過慢
- 正則化強：過度懲罰模型複雜度
- 特徵不足：輸入特徵信息量不夠
檢測：
- 學習曲線：訓練和驗證損失都高
- 訓練準確率：遠未達到可接受水平
- 殘差分析：系統性錯誤模式
解決方法：
- 增加模型容量：更多層、更多神經元
- 更長訓練：更多Epoch
- 更大學習率：加速收斂
- 減弱正則化：降低L2、減小Dropout
- 特徵工程：更好的輸入特徵
- 減少約束：放寬模型限制
- 更複雜架構：從線性到非線性，簡單CNN到ResNet
與過擬合的對比：
- 欠擬合：簡單，高偏差
- 過擬合 (過度擬合 / 過適)：複雜，高方差
- 目標：找到恰當的平衡
學習曲線診斷：
- 欠擬合：訓練和驗證曲線都高且接近
- 過擬合：訓練低但驗證高，差距大
- 良好：兩條曲線都低且接近
實踐建議：
- 先避免欠擬合：確保模型能學習
- 再避免過擬合：添加正則化
- 順序：先複雜化，再簡化
欠擬合是模型無法學習的基礎問題。