| Underfitting | Overfitting | |
|---|---|---|
| 說明 | 1. 訓練模型時，沒有體現特徵之間關聯，可能是Feature Selection過少，以至於模型設計過於簡略，沒有符合實際狀況 |
模型複雜度過低，在training data & testing data 表現皆差 | 1. 訓練模型時，過度緊密連結訓練資料的特徵關聯性， 可能是選擇過多特徵、維度過大，以至於難以符合實際真實情況
在 training data 中，模型會有極佳狀況 ( 因過度針對訓練資料製作模型 )；然在測試資料中，表現不如預期 | | 解決辦法 | 1. 更換模型，挑選較複雜的模型，如Nonlinear Model
加入更多特徵，增加模型複雜度 | 1. 增加資料量 #困難→drop out
採用 Feature Selection，減少特徵數量，即資料維度降低，模型複雜度也降低
更換模型選擇：降維模型
**正規化，保留特徵
Dropout Layer** |