當我們做完特徵工程，
判斷資料適合的模型後，
進行訓練的同時，要記得避免overfitting。

Overfit vs Underfit

• Overfit : Training Model的效度太高，但是Test的結果很差
• Underfit : Training Model的效度太低

如Coursa上的課程「Generalization and ML Models」，

如上圖，RMSE從0躍升至3.2，這是一個巨大的問題，
表明該模型，在訓練數據集上「完全過分擬合」，
並且證明模型太脆弱或不能推廣到新數據。

三種情況圖形：

也可以再將資料分兩群驗證：

解決Overfit

如Coursa上的課程「When to Stop Model Training」，
透過調整「超參數」來解決Overfit問題：

模型經過訓練和驗證後，在針對獨立的「測試」數據集進行一次。

若不幸最後的測試有錯誤，
除了再去重新蒐集資料外，
可以使用訓練和驗證資料進行「拆分技術」和「迭代次數」來改善，
得到多次的誤差值，進行「交叉驗證」。

以上，打完收工。