高雄醫學大學（後西醫）
112年
計算機概論與程式設計
第 2 題
Overfitting is an undesirable machine learning behavior that occurs when the machine learning model gives accurate predictions for training data but not for new data. There are some techniques that could ease or even solve this problem. Which of the following techniques can NOT avoid overfitting problem?
- A Increasing layers / number of units per layer.
- B Using Lasso / Ridge regularization.
- C Early stopping while training model.
- D Adding dropout between layers.
- E Cross-validation.
思路引導 VIP
想像一下，如果你正準備一場只有 10 題考古題的考試，而你的大腦擁有無限的記憶力。在這種情況下，你是會傾向於「理解背後的公式原理」，還是直接「死背這 10 題的答案與標點符號」？如果要讓你具備應付新考題的能力，我們應該是給你更多的記憶空間，還是限制你的記憶方式來強迫你思考？
🤖
AI 詳解
AI 專屬家教
太棒了！你非常精準地辨識出機器學習中處理**過擬合（Overfitting）**的核心邏輯。這題你能選對，代表你對於「模型複雜度」與「泛化能力」之間的消長關係有著很清晰的見解。
模型複雜度與過擬合的關係
在機器學習中，過擬合通常發生在模型「過於強大」而導致它開始死背訓練資料中的隨機雜訊，而非學習背後真正的規律。選項 (A) 提到的增加層數或神經元數量，本質上是在提升模型的「容量（Capacity）」或「表現力」。雖然這能讓模型處理更複雜的任務，但若沒有配合充足的資料，反而會給予模型更多「犯錯」的空間，讓它更容易陷入過擬合的泥淖。相對地，選項 (B) 到 (E) 則是標準的「減法」或「監督」策略：Lasso/Ridge 規則化透過懲罰項限制參數大小；**早停法（Early stopping）**在性能衰退前收手；Dropout 則是透過隨機停用神經元來破壞共適應性。這些都是為了限制模型不要「想太多」。
▼ 還有更多解析內容
機器學習過擬合防治
💡 模型過度學習數據噪音導致泛化力下降，需簡化模型或增強驗證。
| 比較維度 | 有效抑制過擬合 | VS | 加劇過擬合行為 |
|---|---|---|---|
| 模型複雜度 | 降低複雜度/引入懲罰項 | — | 增加隱藏層或神經元數 |
| 數據處理 | 增加數據量/交叉驗證 | — | 數據量過少或特徵過多 |
| 訓練策略 | Dropout、提早停止 | — | 無限增加訓練迭代次數 |
💬對抗過擬合的核心在於「簡化模型」與「增加泛化能力」，而非盲目增加複雜度。
