在 Keras 下完 `model.fit` 開始訓練後，終端機會跑出一連串數字：loss、accuracy、val_loss、val_accuracy。這些指標是判斷模型學得好不好的第一手線索——看懂它們，就能快速判斷模型是否過擬合、欠擬合，以及下一步該怎麼調整。這篇文章整理我判讀訓練結果的方法與常見問題的解法。
訓練過程的 log 長什麼樣？
下面是一個 epochs 為 10 的訓練過程 log：
model.fit 跑出來的指標要怎麼解讀？
如上圖，當我下了 `model.fit` 開始跑機器學習後，會看到類似這樣的資訊：
```text
loss: 0.0337, accuracy: 0.9910, val_loss: 0.1509, val_accuracy: 0.9762
```
四個指標的意義：
| 指標 | 意義 | 判讀方式 |
|---|---|---|
| `loss` | 模型在訓練數據集上的損失 | 越低代表表現越好 |
| `accuracy` | 模型在訓練數據集上的準確率 | 越高代表表現越好 |
| `val_loss` | 模型在驗證數據集上的損失 | 越低代表表現越好 |
| `val_accuracy` | 模型在驗證數據集上的準確率 | 越高代表表現越好 |
0.9762 的準確率算好嗎？
以這個結果來說，驗證準確率 0.9762 可以說是相當不錯，但在某些應用中可能還不夠。例如在自動駕駛應用中，準確率可能需要更高，因為一個錯誤的預測可能會導致嚴重的後果。
換個角度換算：準確率 0.9762 大約對應 2.38% 的錯誤率——如果有 100 張圖片，大約會有 2.38 張被錯誤預測。實務上要用「錯誤率在這個應用能不能接受」來評估，而不是只看準確率數字漂不漂亮。
為什麼模型學習效果不好？
如果模型在驗證數據集上的準確率低於實際準確率，可能是以下原因：
- 驗證數據集不具代表性：如果驗證數據集中的數據與實際應用中的數據有很大的差異，那麼模型在驗證數據集上的準確率可能會低於實際準確率。
- 模型過度擬合：如果模型在訓練數據集上表現很好，但在驗證數據集上表現較差，可能是模型過度擬合了訓練數據集。過度擬合的模型在訓練數據集上表現較好，但在沒看過的數據上表現較差。可嘗試增加數據集的大小或使用正則化來減少過度擬合。
- 模型訓練不足：如果模型沒有被訓練足夠長的時間，表現可能不夠好。可以增加訓練的 epoch 數，或增加每個 epoch 中的訓練次數來幫助模型學習。
- 訓練與驗證準確率差距過大：這可能是過擬合或欠擬合。過擬合時訓練準確率很高、驗證準確率很低；欠擬合時兩者都很低。可以透過調整模型的超參數來平衡訓練準確率。
歸納起來，學習成效不好的原因主要有三類：
| 問題 | 成因 | 特徵 |
|---|---|---|
| 欠擬合 | 模型過於簡單 | 訓練數據集上的表現不夠好，訓練準確率上不去 |
| 過擬合 | 模型過於複雜 | 訓練數據集表現很好，但沒看過的數據表現較差 |
| 學習率過大 | 學習率設定太高 | 模型跳過最佳解，訓練準確率越來越差 |
如何解決學習效果不好的問題？
- 調整模型的複雜度：增加或減少模型的層數或每層的神經元數量，以平衡模型的複雜度。
- 使用正則化：正則化是常見的技巧，可以減少模型的過擬合。
- 調整學習率：使用不同的學習率來平衡收斂速度和準確率。
延伸閱讀
常見問題
loss 和 val_loss 有什麼不同？
`loss` 是模型在訓練數據集上的損失，`val_loss` 是在驗證數據集上的損失。判斷模型好壞時要以 `val_loss` 為主，因為它反映模型對沒看過的數據的表現。
訓練準確率很高但驗證準確率很低，代表什麼？
這是典型的過擬合（overfitting）現象：模型把訓練資料背下來了，但泛化能力差。可以增加數據集大小、使用正則化（如 Dropout、L2）、或簡化模型來改善。
準確率 0.9762 算不算好？
以一般任務來說相當不錯，但要看應用場景——相當於約 2.38% 的錯誤率，每 100 張圖片大約錯 2.38 張。在自動駕駛這類高風險應用中，這個錯誤率可能還不夠。
欠擬合和過擬合要怎麼區分？
欠擬合是訓練準確率和驗證準確率都很低，代表模型太簡單或訓練不足；過擬合是訓練準確率很高但驗證準確率明顯偏低，代表模型過於複雜。觀察兩者的差距就能判斷是哪一種。
學習率太大會怎樣？
學習率過大時，模型在最佳化過程中可能會跳過最佳解，導致訓練準確率不升反降。可以調低學習率，或使用學習率排程來平衡收斂速度與準確率。
參考資料
- 本文為我的機器學習學習筆記系列，搭配 TensorFlow / Keras 的 `model.fit` 訓練流程使用。
最後更新
2026-08-28（原文發布於 2022-12-22，本文保留原始筆記內容並補上 GEO 結構。）
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2022-12-22