NLP 中的迴歸問題，有 1 億個帶標籤的範例；資料經過隨機打亂並以 90/10 的比例分割為訓練/測試集。訓練 RMSE 是測試 RMSE 的兩倍。您應該如何改進模型效能？

訓練 RMSE 是測試 RMSE 的兩倍表示模型出現欠擬合 (underfitting) 的情況。欠擬合是指模型在訓練資料和測試資料上的表現都差，無法捕捉資料中的基本模式。增加模型的複雜度，例如引入額外層、增加詞彙量或 n-gram 大小，可以讓模型學習到更複雜的模式，從而改善欠擬合問題。 增加測試樣本的比例不會直接改善欠擬合，反而可能減少訓練資料量，使模型學習不足。收集更多資料通常有助於改善過擬合，但對於欠擬合問題，如果模型本身複雜度不足，再多的資料也無法有效學習。正規化技術（如 dropout 或 batch normalization）主要用於防止過擬合，對於欠擬合的模型，使用正規化反而可能使其學習能力更弱。