L1.0 背考古題的學生：過擬合與欠擬合

本篇重用2 篇

兩個都考不好的學生

期中考結束，兩個學生都考 40 分。

甲把過去五年的考古題全部背下來，每一題的答案、每一個數字都記得。模擬考（考古題原題）滿分。正式考換了數字，他不會。

乙只讀了課本的前半，讀得很認真。模擬考也只有 45 分，正式考 40 分。

同樣的成績，但病因相反。甲的問題是他學到的東西不是「規則」而是「這幾份考卷」；再給他十份考古題背，他還是不會新題。乙的問題是他沒學夠；再給他十份考古題，他真的會進步。

如果你只看正式考的分數，你分不出他們。 你需要第二個數字——模擬考的分數。甲是 100/40，乙是 45/40。

訓練誤差（模擬考）與泛化誤差（正式考）的組合才構成診斷。

診斷要兩個數字，不是一個。

要讓模型學會新題，而不只是把舊題答對，我們該怎麼看這兩個分數？ 下面先整理可能的原因，再用同一份 toy 觀察容量與資料量的影響。

兩個學生都考 40 分，
你怎麼知道誰在背答案、誰只是沒讀完？
「模型太複雜」這句話要拿什麼來判斷？

課堂提問Q1

把「背」與「學到規則」翻成數學。兩個誤差構成四種組合，把它們列出來——哪一格對應甲、哪一格對應乙、哪一格是成功、哪一格幾乎不可能？各自的處方是什麼？

先想一想，再展開看整理後的答案

兩個數字（沿用台北的房仲去台中：風險與經驗風險）：訓練誤差 $\widehat R_n(\hat f)$ 與母體風險 $R(\hat f)$ 。「背」是 $\widehat R_n$ 很小而 $R$ 很大；「沒學夠」是兩個都大。

	$R$ 小	$R$ 大
$\widehat R_n$ 小	成功	過擬合（甲）：縮小 $\mathcal F$ 、加資料、加正則化
$\widehat R_n$ 大	檢查抽樣與計分是否一致	檢查欠擬合、特徵與最佳化（乙）

四格都可能出現。訓練誤差較高時，可能是抽樣波動、訓練資料較難，或兩邊計分方式不同，例如 training augmentation、dropout、regularization penalty。先用同一個 evaluation mode 與相同 loss 重算，才適合比較。

兩個處方彼此相反，這是為什麼診斷不能跳過：對甲用乙的處方（加大模型）會讓他更會背；對乙用甲的處方（加正則化）會讓他讀得更少。

一個設定，兩種失敗

把「假設空間有多大」做成一個可以連續調整的設定——多項式的次數、樹的深度、網路的寬度、正則化強度的倒數。往兩端轉，會遇到兩種相反的失敗：

轉太小（欠擬合）： $\mathcal F$ 裡沒有一個函數接近真相。這時兩個誤差都大而且互相接近——模型在訓練集上就已經做不好，沒有「偷背」的空間。這對應 L0 的 approximation error。
轉太大（過擬合）： $\mathcal F$ 裡有太多函數在這 $n$ 個點上一樣好，而資料沒有辦法把它們分開。訓練誤差可以壓到接近零，母體風險卻在上升。這對應 estimation error。

中間某處有一個最佳點。但這個點不是模型的性質，是「模型與資料量」這一對的性質——設定的最佳位置隨 $n$ 移動。這是本篇最重要的一句話，因為它決定了你聽到「這個模型太複雜」時該問的下一個問題：相對於多少資料？

四格診斷，與同一個設定的兩端

圖說： 同一個容量設定的兩端是欠擬合與過擬合；最佳位置同時取決於模型與資料量。

U 形是怎麼來的，以及它為什麼會移動

固定資料量 $n$ ，讓假設空間沿著一條巢狀的鏈成長 $\mathcal F_1\subset\mathcal F_2\subset\dots$ （次數 $\le d$ 的多項式正是這樣一條鏈）。兩條曲線的方向是可以先驗證明的：

訓練誤差對 $d$ 單調不增。 因為 $\mathcal F_d\subset\mathcal F_{d+1}$ ，在更大的集合裡取 $\min$ 不可能更大。這條曲線永遠往下，所以它自己不含任何關於泛化的資訊。
母體風險還包含 estimation 與不可約誤差。 Approximation 隨 nested family 放大不會增加，但 estimation 不保證單調；古典 U 形是一種常見現象，不是僅靠集合包含就能證明的曲線 [1]。

U 形的谷底在兩者的邊際變化相抵之處。把 $n$ 加大，estimation 那一項整體壓低（L0.2 的界裡它以 $\sqrt{\log|\mathcal F|/n}$ 的形式出現），於是谷底往右移、而且整條 U 變平。

順帶一提，這條 U 只描述「容量還沒超過資料量」的那一段。把容量繼續往上推到遠遠超過 $n$ ，測試誤差會先在插值點附近衝高、然後再次下降——這個現象叫 double descent（參考文獻 2），也是現代大模型所處的位置。本篇的 $d\le25$ 、 $n=30$ 還在古典的那一段。

平方損失下這條 U 有一個絕對的地板：天氣預報該報幾度：MSE 的最小值是 Conditional Expectation 說最好的可能是 $f^\star=\mathbb E[Y\mid X]$ ，而 $R(f^\star)=\mathbb E[\mathrm{Var}(Y\mid X)]$ 是不可約誤差。共用 toy 裡它正好是 $0.15^2=0.0225$ 。這個數字是讀懂訓練曲線的參考線——下一節會用到。

注意「訓練誤差降不下去」什麼時候不是問題

一個常見的焦慮：訓練 loss 掉到某個正值就不動了，是不是模型不夠好、是不是該加層？

要比較的是相同任務的 population MSE 下界 $\mathbb E[\mathrm{Var}(Y\mid X)]$ ，不是 training loss 的硬下界。有限樣本上低於噪聲水準仍可能發生，停在它附近也不自動證明成功；還需要獨立驗證資料與基準。

所以診斷需要一個對不可約誤差的估計。取得方式：同一個輸入重複量測看散佈多大、人類專家在同一份資料上的一致性、或者（像這個 toy 一樣）你自己造資料時就知道答案。沒有這個參考線，「loss 停在 0.3」既不能說好也不能說壞。 這個判斷在任何有噪聲的回歸任務上都會反覆用到。

兩個學生的處方，與一個容易搞錯的方向

甲（過擬合）。 處方有三類，都在做同一件事——讓資料相對於假設空間變多：縮小 $\mathcal F$ （降次數、減層、剪枝）、加資料（或資料增強）、加限制（正則化、提早停止，見限制筆記頁數，或考前一天停止補習：正則化與提早停止）。

乙（欠擬合）。 處方是相反方向：放大 $\mathcal F$ 、加更有資訊的特徵、訓練更久或更好（有時「欠擬合」其實是最佳化沒收斂——霧中下山，一步該走多大：梯度下降的一頁裡 $\eta=0.01$ 跑 2000 步的結果就是一個假的欠擬合）。

最常見的誤判是把「最佳化沒跑完」讀成「模型不夠大」。兩者的訓練誤差都高，但一個加大模型會更慢、更難訓，另一個才真的需要容量。分辨方法很直接：先確認在一小批資料上能不能過擬合。 拿 50 筆資料訓到訓練誤差接近零——做得到，表示容量與最佳化都沒問題，真正的問題在資料或正則化；做不到，問題在最佳化或架構。這是一個五分鐘的實驗，卻能擋掉很多天的猜測。

這一切依賴什麼。 一，用來當「泛化誤差」的那個數字必須來自沒被拿去挑選過的資料——這正是下一篇的主題。二，訓練與評估同分佈；否則你看到的是偏移，不是過擬合（L0.2 已經處理過這個鑑別診斷）。三，「複雜度」沿著一條巢狀的鏈成長；換架構、換演算法時兩個模型不可比，U 形的圖像不適用。

把 U 形跑出來，再把它攤平

共用 toy， $n=30$ ，多項式次數從 $0$ 掃到 $25$ ：

import numpy as np, warnings; warnings.filterwarnings("ignore")
from numpy.polynomial import Polynomial
from ml_toy import toy_1d, truth, NOISE

xs, ys = truth()
risk = lambda f: ((f(xs) - ys)**2).mean() + NOISE**2      # 母體風險（近似）
x, y = toy_1d()                                            # n = 30
for d in (0, 1, 2, 3, 5, 7, 9, 12, 15, 20, 25):
    f = Polynomial.fit(x, y, d)
    print(f"  degree {d:2d}   訓練 {((f(x) - y)**2).mean():8.4f}   母體風險 {risk(f):12.4f}")

  degree  0   訓練   0.3897   母體風險       0.5575
  degree  1   訓練   0.2118   母體風險       0.2679
  degree  2   訓練   0.2117   母體風險       0.2668
  degree  3   訓練   0.0178   母體風險       0.0312
  degree  5   訓練   0.0147   母體風險       0.0280
  degree  7   訓練   0.0134   母體風險       0.0296
  degree  9   訓練   0.0122   母體風險       0.0285
  degree 12   訓練   0.0114   母體風險       0.0314
  degree 15   訓練   0.0104   母體風險       0.0334
  degree 20   訓練   0.0043   母體風險       0.0659
  degree 25   訓練   0.0016   母體風險    8032.3199

左欄單調下降，右欄是 U 形，谷底在 $d=5$ （ $0.0280$ ，距離不可約誤差 $0.0225$ 只差一點點）。 $d\le2$ 是乙：兩欄都大而且接近（ $0.2118$ 對 $0.2679$ ），這是欠擬合的簽名——兩個數字的比值接近 1。 $d\ge20$ 是甲：訓練誤差 $0.0043$ 已經低於噪聲水準 $0.0225$ ，母體風險開始跳，到 $d=25$ 完全失控。

注意 $d=1$ 到 $d=2$ 幾乎沒有進步（ $0.2118\to0.2117$ ）。這也有意義： $\sin(2\pi x)$ 在 $[0,1]$ 上大致對稱，二次項幫不上忙，要到三次才抓得到形狀。「加容量沒有用」有時是加錯了方向的容量。

同一個設定，換一個資料量。 把 $n$ 從 30 加到 300，其他完全不動：

x3, y3 = toy_1d(n=300, seed=1)
for d in (1, 3, 9, 15, 20, 25):
    f = Polynomial.fit(x3, y3, d)
    print(f"  degree {d:2d}   訓練 {((f(x3) - y3)**2).mean():8.4f}   母體風險 {risk(f):10.4f}")

  degree  1   訓練   0.2106   母體風險     0.2207
  degree  3   訓練   0.0266   母體風險     0.0277
  degree  9   訓練   0.0198   母體風險     0.0242
  degree 15   訓練   0.0197   母體風險     0.0243
  degree 20   訓練   0.0196   母體風險     0.0244
  degree 25   訓練   0.0194   母體風險     0.0283

U 形不見了。 $d=25$ 在 $n=30$ 時是 $8032$ ，在 $n=300$ 時是 $0.0283$ ——同一個模型、同一個設定位置，從災難變成幾乎最佳。而且從 $d=9$ 到 $d=20$ ，母體風險穩定停在 $0.024$ 附近，緊貼不可約誤差 $0.0225$ ：多出來的容量沒有造成傷害。

這推翻了一個非常普遍的說法：「25 次多項式太複雜了。」同一句話的正確版本是「25 次多項式相對於 30 筆資料太複雜」。

複雜度沒有絕對的刻度，它只相對於資料量存在。

這也是為什麼現代的大模型能 work：不是因為誰推翻了統計學，而是因為 $n$ 大了很多個數量級。

再把噪聲關掉。 不可約誤差變成零，但新位置是否準確仍需量測。30 個不同輸入足以唯一決定 25 次多項式的 least-squares 解；唯一不等於正確，也不能直接宣稱這個無噪聲版本一定過擬合。

調整設定，看 U 形怎麼隨資料量移動

互動 demo：拉資料量，U 形的谷底往右移——「最佳複雜度」不是模型的性質，是資料量的函數。

檢查理解

想一想

一個模型訓練誤差 $0.21$ 、驗證誤差 $0.22$ ，而你知道這個任務的標籤噪聲水準大約是 $0.02$ 。最合適的下一步是：

想一想

同事說「我們的 25 次多項式太複雜了，一定會過擬合」。根據本篇的兩張表，最準確的回應是：

參考文獻

Hastie, T., Tibshirani, R., Friedman, J. The Elements of Statistical Learning, 2nd ed. Springer 2009, Ch. 7.（訓練誤差為何樂觀、模型複雜度與測試誤差的 U 形、樂觀量的估計。）
Belkin, M. et al. Reconciling modern machine-learning practice and the classical bias–variance trade-off. PNAS 2019.（把容量繼續往上推會發生什麼：double descent，以及古典 U 形適用的範圍。）
Ng, A. Machine Learning Yearning 2018, Ch. 20–27.（把兩個誤差的組合當成日常診斷流程的實務版本，含「小資料過擬合測試」。）