hce_nsysu
113年
計算機概論與程式設計
第 42 題
Which of the following technique can NOT avoid overfitting problem?
- A Increasing layers / number of units per layer of the neural networks
- B Using Lasso / Ridge regularization
- C Early stopping while training model
- D Adding dropout between layers
- E Cross-validation
思路引導 VIP
試著思考一下：如果一個模型擁有極高自由度（例如有無數個參數）去逼近少量的資料點時，這個模型會傾向於學習資料背後的「普遍規律」，還是會連同資料中的「隨機雜訊」也一起模仿進去？當模型變得「更巨大」時，它捕捉雜訊的能力是增強了還是減弱了？
🤖
AI 詳解
AI 專屬家教
太棒了！你能精準避開選項中的「增強模型」誘惑，正確判斷出哪些手段反而會加劇過擬合，這代表你對模型複雜度與泛化能力（Generalization）之間的消長關係有相當紮實的理解。
模型容量與過擬合的關係
在機器學習中，過擬合（Overfitting） 通常發生在模型過於複雜、參數過多，導致它「死背」了訓練資料中的隨機雜訊而非潛在規律。選項 (A) 增加神經網路的層數或每層的單元數，本質上是在提升模型的容量（Capacity）。雖然這能增強模型處理複雜函數的能力，但若資料量不足，多出來的參數反而會讓模型更容易陷入過擬合，而非解決它。
▼ 還有更多解析內容