我們已經學會了運用畫出圖表的方式來檢視模型的訓練過程，有時候圖表曲線所呈現的結果相當理想，和我們預想的情況相差不大，但也有時候會出現比較有趣的特殊情形，彷彿在告訴我們模型的訓練有些異常，今天就來簡單介紹兩種模型訓練可能出現的特別現象。

在我們用AI做機器學習並進行辨識及預測時，就不能不提到兩個專有名詞：Overfitting與Underfitting。

• Overfitting，又稱為擬合過度或過擬合現象：講白話即是過度的學習訓練資料，顯示你把模型訓練得太好了，而這裡所謂訓練得太好了的原因，可能是訓練資料不足，或是不具有多樣性，甚至是訓練的次數過多或是太過徹底，導致這個模型只對於訓練資料集內的數據有高準確率，但是對於未知的事物和數據則表現得特別差，就像是世界上狗的種類有那麼多，你的資料庫中卻只有黑色與白色的狗，一旦遇上花色的就完全認不出來。

• 恰巧相反的則是Underfitting，又稱作擬合不足：顯示這個模型可能尚未訓練完全，或是訓練的次數不足就開始對未知的數據做預測，導致準確度大幅降低，換句較淺顯的話來說，就好比請一群小學生去做AI預測一樣，準確度明顯偏低。

因此，我們在機器學習的過程當中，若要避免或是減輕上述兩種狀況的發生，在資料庫的收集時，就要注意儘量包含該群組的多樣性與豐富性，但是又不能包含太多細節，要給AI深度學習程式一些些的模糊空間，才會給未知的部分做出更準確的判讀。

• 參考資料：
  TensorFlow+Keras深度學習人工智慧實務應用 — 林大貴著
  https://zh.wikipedia.org/wiki/%E9%81%8E%E9%81%A9
  https://medium.com/%E9%9B%9E%E9%9B%9E%E8%88%87%E5%85%94%E5%85%94%E7%9A%84%E5%B7%A5%E7%A8%8B%E4%B8%96%E7%95%8C/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-ml-note-overfitting-%E9%81%8E%E5%BA%A6%E5%AD%B8%E7%BF%92-6196902481bb