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。

🔍 Overfitting Diagnosis

Compare training and validation loss curves to tell overfitting from underfitting, and get targeted regularization and early-stopping advice.

📐 計算公式 / 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）。

訓練損失

驗證損失

訓練準確率 %

驗證準確率 %

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。