過擬合診斷 使用指南

對比訓練與驗證損失曲線，判斷過擬合或欠擬合程度並給出正則化建議，適用於模型訓練調優、早停策略制定與泛化評估。

計算公式與原理

損失差距 = 驗證損失 − 訓練損失；準確率差距 = 訓練準確率 − 驗證準確率；風險判據：損失差 > 0.3 或準確率差 > 10%

訓練指標持續優於驗證指標就是過擬合訊號，差距越大越強。閾值 0.3 / 10% 是常用經驗線，但不同任務量綱差異很大，更可靠的是看驗證損失是否開始回升（應觸發早停）。

使用步驟

1. 填寫「訓練損失」。
2. 填寫「驗證損失」。
3. 填寫「訓練準確率 %」。
4. 填寫「驗證準確率 %」。
5. 結果區會即時更新；可一鍵複製結果用於記錄或彙報。

典型使用場景

• 對比訓練與驗證損失：訓練降而驗證升→過擬合；兩者都高→欠擬合。
• 過擬合時加大 dropout、權重衰減或資料增強；欠擬合時加深加寬或減小正則。
• 早停在驗證損失連續上升前儲存最優權重，是價效比最高的正則手段。

算例參考

• 損失曲線判讀：訓練 loss 從 0.9 降到 0.1，驗證 loss 從 0.9 降到 0.5 後回升到 0.7 → 第 5 輪附近開始過擬合，應在驗證最低點(0.5)早停並回退權重。

注意事項

結果為按上述公式得到的理論估算值，實際表現受資料分佈、實現細節與執行環境影響，落地決策請以實測為準；本工具純前端執行，輸入不上傳伺服器。

訓練和驗證都很高怎麼辦？

這是欠擬合，模型容量或訓練不足。可增大網路、延長訓練、降低正則強度，或檢查特徵與標籤質量。

驗證集必須和訓練集同分布嗎？

應儘量同分布以反映真實泛化；若驗證集分佈偏移，驗證損失只能衡量對該子集的擬合，不能代表線上表現。