過擬合（Overfitting）
指在機器學習和深度學習中，模型在訓練數據上表現得很好，但在未見過的測試數據上表現不佳的現象，通常是模型的複雜性過高或者訓練數據不足導致的問題。若要解決過擬合問題，可以考慮以下方法：

• 減少模型複雜性
• 增加訓練數據
• 提早停止訓練
• 加入拋棄層(DropOut)

超參數
超參數是資料科學家用來管理機器學習模型訓練的外部組態變數，包含了神經網路中的節點和層數量以及決策樹中的分支數量，調整超參數，如隱藏層的數量、每個隱藏層的神經元數量和學習率等，對模型性能至關重要。

• 學習率（Learning Rate）:學習率是控制模型權重更新步長的超參數
• 迭代次數
• 隱藏層和神經元數量
• 激活函數（Activation Function）

激勵函數（Activation Function）
激活函數是神經網絡中的一個重要的組成，它用於神經元中引入非線性性質，使神經網絡可以學習複雜的模式和表示。
常見的激勵函數如下:
1.Sigmoid 函數（Sigmoid Function）：範圍在 0 到 1 之間。

2.ReLU 函數（Rectified Linear Unit）：負數輸入設為零，而正數輸入則保持不變。


3.Tanh 函數（Hyperbolic Tangent）：範圍在 -1 到 1 之間。

---20230930---