某團隊訓練影像分類模型，發現模型在訓練資料上的準確率達 98%，但在測試資料上僅有 72%。若團隊希望提升模型對新資料的適應能力，並增加訓練資料的多樣性，下列何者最適合？
答案 （B）
核心概念
訓練準確率 98%、測試準確率 72%，兩者差距這麼大，是典型的過度擬合（Overfitting）——模型把訓練資料背起來了，卻學不會通則。題目又特別指定要「增加訓練資料的多樣性」，這正是資料增強（Data Augmentation）的定義：對既有影像做旋轉、翻轉、裁切、調整亮度等隨機變換，等於免費生出更多樣的訓練樣本，逼模型學到與角度、位置無關的本質特徵。
答題技巧
快速判斷技巧：看到「訓練高、測試低」立刻判定過度擬合，對應解法清單是——資料增強、丟棄法（Dropout）、正則化、提早停止、簡化模型、增加資料量。再看題目指定「增加資料多樣性」，答案就鎖定資料增強。
易錯陷阱：(A) 是最典型的反向操作陷阱。要建立一個反射：過度擬合時模型要「變簡單或資料要變多」，絕不是把模型做得更大。