💡一句話定義
殘差圖（Residual Plot）＝ 把每一筆的殘差（實際值 − 預測值）對「預測值（或 X）」畫成散佈圖，用點的分布形狀來診斷迴歸模型有沒有系統性問題。
健康的模型，殘差應該像隨機噪音——均勻散佈在「殘差＝0」上下、看不出任何規律。一旦出現規律（U 型、曲線、漏斗形），就代表模型漏了什麼。
🔎為什麼要看「形狀」而不是「大小」？
🎮互動：三種擬合的殘差圖長怎樣
左邊是模型擬合、右邊是對應的殘差圖。切換「欠擬合／正確／過度擬合」，注意右圖的形狀：欠擬合出現 U 型系統彎曲、正確擬合是隨機散佈、過度擬合殘差全貼在 0 上。
殘差圖分析：系統性彎曲的真相
不要被「極大誤差」騙了，過度擬合是不會有大殘差的！
房價預測模型 (X:坪數, Y:房價)
殘差圖 Residual Plot (X:預測值, Y:殘差誤差)
📊三種擬合的殘差圖對照
| 狀況 | 殘差圖形狀 | 代表什麼 |
|---|---|---|
| 欠擬合 | U 型／曲線（系統性彎曲） | 模型太簡單、漏了非線性項 |
| 正確擬合 | 隨機散佈在 0 附近、無形狀 | 抓到主要結構，剩下只是噪音（理想） |
| 過度擬合 | 訓練殘差≈0（全貼在 0 線） | 死背訓練資料；問題要看驗證／測試殘差 |
🧭怎麼判讀殘差圖
✅隨機散佈＝好
均勻分佈在 0 上下、看不出規律，代表模型健康。
均勻分佈在 0 上下、看不出規律，代表模型健康。
〰️系統形狀＝漏特徵
U 型或曲線 → 加多項式／轉換，或換更彈性的模型。
U 型或曲線 → 加多項式／轉換，或換更彈性的模型。
📢漏斗／喇叭形＝異方差
殘差變異隨預測值變大 → 對 Y 做轉換或用加權。
殘差變異隨預測值變大 → 對 Y 做轉換或用加權。
⚠️訓練殘差全 0 要警覺
可能是過擬合；一定要看驗證／測試集的殘差。
可能是過擬合；一定要看驗證／測試集的殘差。
🚫常見誤解：過擬合會有「很大」的殘差？
不會。過度擬合的模型在訓練資料上幾乎完美命中，訓練殘差反而接近 0。所以「殘差極大」或「系統性彎曲」通常是欠擬合的徵兆，不是過擬合。要抓過擬合，得看驗證集／測試集的殘差——訓練殘差很小、但測試殘差明顯變大，才是過擬合的證據。
✅自我檢測
Q1. 殘差圖在畫什麼？健康的長怎樣？
把每筆的殘差（實際−預測）對預測值畫散佈圖。健康的殘差圖點會隨機、均勻散佈在「殘差＝0」上下，看不出任何系統形狀或趨勢。
Q2. 殘差圖出現 U 型或曲線代表什麼？
代表模型有系統性偏差，通常是欠擬合、漏掉了非線性項。解法是加多項式特徵／做轉換，或換更彈性的模型。
Q3. 漏斗形（喇叭形）的殘差圖代表什麼？
殘差的變異數隨預測值改變，即異方差（heteroscedasticity）。可考慮對 Y 做對數等轉換，或使用加權最小平方法。
Q4. 過度擬合會有很大的殘差嗎？
不會。過擬合在訓練資料上幾乎完美命中，訓練殘差接近 0。要靠驗證／測試集的殘差才看得出過擬合（訓練很小、測試變大）。
🎯重點整理
- 是什麼：殘差（實際−預測）對預測值的散佈圖。
- 看形狀：隨機散佈＝健康；有規律＝有系統性問題。
- U 型／曲線：欠擬合、漏非線性項。
- 漏斗形：異方差，變異數不齊。
- 過擬合：訓練殘差≈0，要看驗證／測試殘差才抓得到。