Xrthnty

綠線代表過適模型，黑線代表正則化模型。雖然綠線完美的符合訓練數據，但太過依賴，並且與黑線相比，對於新的測試資料上具有更高的錯誤率。

在統計學中，過適（英语：overfitting，或稱過度擬合）現象是指在調適一個統計模型時，使用過多參數。

對比於可取得的資料總量來說，一個荒謬的模型只要足夠複雜，是可以完美地適應資料。過適一般可以視為違反奥卡姆剃刀原則。

當可選擇的參數的自由度超過資料所包含資訊內容時，這會導致最後（調適後）模型使用任意的參數，這會減少或破壞模型一般化的能力更甚於適應資料。過適的可能性不只取決於參數個數和資料，也跟模型架構與資料的一致性有關。此外對比於資料中預期的雜訊或錯誤數量，跟模型錯誤的數量也有關。

過適現象的觀念對機器學習也是很重要的。通常一個學習演算法是藉由訓練範例來訓練的。亦即預期結果的範例是可知的。而學習者則被認為須達到可以預測出其它範例的正確的結果，因此，應適用於一般化的情況而非只是訓練時所使用的現有資料（根據它的歸納偏向）。然而，學習者卻會去適應訓練資料中太特化但又隨機的特徵，特別是在當學習過程太久或範例太少時。在過適的過程中，當預測訓練範例結果的表現增加時，應用在未知資料的表現則變更差。

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（英语：early stopping）、貝斯信息量準則（英语：Bayesian information criterion）、赤池信息量準則或模型比较（英语：model comparison）），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（英语：overtraining）。在treatmeant learning中，使用最小最佳支援值（英语：minimum best support value）來避免過適。

相對於過適是指，使用過多參數，以致太適應資料而非一般情況，另一種常見的現象是使用太少參數，以致於不適應資料，這則稱為乏適（英语：underfitting，或稱：擬合不足）現象。

參考文獻

• Tetko, I.V.; Livingstone, D.J.; Luik, A.I. Neural network studies. 1. Comparison of Overfitting and Overtraining, J. Chem. Inf. Comput. Sci., 1995, 35, 826-833
  

外部連結

• http://www.cs.sunysb.edu/~skiena/jaialai/excerpts/node16.html


• 
  過度訓練（英文）
  

參見

• 数据疏通（英语：Data dredging）