一位工程師訓練了一個模型，該模型在訓練集上表現良好，但在評估資料上表現不佳。最有可能的解釋是什麼？

當模型在訓練資料上表現良好，但在未見過的評估資料上表現不佳時，最常見的解釋是模型過度擬合（overfit）。這表示模型學習了訓練資料中的雜訊和特定模式，而非底層的通用趨勢。因此，它無法很好地泛化到新資料。 模型欠擬合（underfit）則是指模型過於簡單，無法捕捉訓練資料中的基本模式，導致在訓練集和評估集上都表現不佳。Prompt engineering 主要與大型語言模型（LLMs）的輸入設計有關，與模型在訓練和評估資料上的表現差異無直接關係。模型有偏差（biased）是指模型在預測時系統性地偏向某些結果，這可能導致評估資料表現不佳，但過度擬合是更直接且普遍的解釋，尤其當訓練集表現良好時。