關於過度擬合(overfitting)，我有些忘記當初記下這個key word是爲什麼....

過度擬合指的是一群不合理的資料集(或是含有不合理資料的)，因為模型的過度訓練，而導致能夠匹配資料。但因為資料並非常態資料，存在偏異，所以這個符合資料的模型，並不通用，具有高度的侷限性，是個荒謬的模型。

一般來說，會想要避免過度擬合，通常可以通過交叉驗證、提早停止、赤池資訊量準則或模型比較來避免。資料探看會將資料分成訓練資料集和測試資料集的的原因，就是不要讓模型太過匹配測試資料，而能夠更客觀的看到目標。

反倒是....

在課程中說過，機器學習會傾向將離群值的異常資料加入訓練，去學習離群值的特徵，這應該會造成過度擬合。由於課程中，並沒有對過度擬合談論太多，如今這樣重新想過，也不太符合我過往的訓練。

維基百科上也這麼寫到：

在統計和機器學習中，為了避免過適現象，須要使用額外的技巧（如交叉驗證、提早停止、貝斯資訊量準則、赤池資訊量準則或模型比較），以指出何時會有更多訓練而沒有導致更好的一般化。
人工神經網路的過適過程亦被認知為過度訓練（英語：overtraining）。在treatmeant learning中，使用最小最佳支援值（英語：minimum best support value）來避免過適。

可能因為主要著重的在於人工神經網路這塊，那麼過度擬合也就好了解了。