一、什麼是「擬合（fitting）」？
- 定義：擬合就是「模型學習資料的程度」。當你用資料訓練一個 AI 模型，這模型就會試著「找出資料中的規律或關係」。
- 擬合的三種狀態比喻（用考試來理解）：
二、什麼是「過擬合（Overfitting）」？
定義：當模型「學得太好」，導致不只學到資料的規律，也記住了雜訊或異常點，造成在新資料上表現變差，就叫做過擬合。
類比說法：像是一個學生死背考古題，模擬考滿分，但正式考試換題型就掛掉，因為他不是「理解」，而是「記死」。
解決方法：- 使用 正則化（Regularization）
- 加入 Dropout
- 增加資料量、擴增資料
- 提早停止訓練（Early Stopping）
- 拆分訓練集／驗證集／測試集（避免過學）
三、正則化與 Dropout
- 正則化（Regularization）＝「別讓模型太執著」
想像模型像一位學生，他想把每道題目都解得完美到極致。 正則化就像老師告訴他：「寫重點就好，不要花太多力氣在冷門細節上。」
技術上：在損失函數中加上一個懲罰項（penalty term），讓模型不要太偏好某些權重過大的特徵。
- Dropout（隨機遮蔽）＝「隨機讓同學請假」
神經網路就像一群學生一起解題，有些學生總是太聰明，一直搶答，其他人都不動腦。Dropout 就像老師說：「這堂課我隨機請幾個人先去操場散步，剩下的人要自己想答案喔～」
技術上：訓練時隨機「關閉」一部分神經元，防止模型過度依賴特定路徑。
