舉例來說，過擬合的 AI 模型在辨識圖像時可能出現什麼錯誤？

過擬合 AI 模型在圖像辨識中可能出現的錯誤舉例

過擬合指的是 AI 模型在訓練過程中，過度學習了訓練資料中的細節和雜訊，導致模型在新資料上的表現不佳。這種模型就像死背考古題的學生，對訓練資料瞭若指掌，但遇到新情境或變化的題目就無法應對。舉例來說，若訓練 AI 模型辨識包含「狗」的圖像，但訓練資料中絕大多數是狗在公園或戶外玩耍的照片，模型可能錯誤地學到「看到草皮=有狗」的關聯性，導致無法辨識室內的狗。

訓練資料偏差導致的誤判

承接上述例子，這種過擬合的模型可能因為過度依賴訓練資料的特定特徵（如草皮），而忽略了其他重要的辨識特徵（如狗的形狀、品種等）。因此，當模型遇到室內環境中的狗，由於缺乏「草皮」這個關鍵特徵，便無法正確辨識。這種情況顯示，模型並未真正學會「狗」的普遍特徵，而是過度擬合了訓練資料的特定情境。

與欠擬合的比較

與過擬合相對的是欠擬合，指的是模型學習不足，無法捕捉資料中的有效規律。例如，若訓練一個辨識狗的 AI 模型，但模型過於簡單或訓練不足，只學到「有四條腿、毛茸茸」等粗略特徵，那麼無論是室內、戶外、長毛或短毛的狗，模型都難以正確判斷。欠擬合的模型在訓練資料和新資料上的表現都很差，因為它沒有學到辨識「狗」的有效規律，只停留在過度簡化的概括。因此，AI 訓練的目標是在過擬合和欠擬合之間找到最佳平衡點，使模型既能準確學習資料中的規律，又能具備足夠的泛化能力，以應對新情境。