🎯 什麼情境該想到我
當你「解法越弄越複雜、參數越加越多」，或要在幾個方案間取捨、直覺覺得「正確答案不該這麼繞」的時候。
⚙️ 怎麼用（判準）
- 先假設正確答案是簡單的：牛頓「簡單性原則」——除非必要，別為現象尋找多餘的原因；培根「美德如寶石，樸素襯托最華麗」。
- 用「簡單度」當品質訊號：托勒密用 40–60 個小圓套大圓精準預測行星，卻複雜到後人難以求解；開普勒改用「一個橢圓」就描述清楚——形式上更簡單的模型，往往更接近真相。
- 複雜是警訊而非成就：若你的方案需要一堆特例、補丁、例外說明才成立，通常代表方向或模型不對，該退一步找更簡單的切法，而不是繼續打補丁。
- 簡單≠簡陋：目標是「最簡單且正確」，不是為省事而犧牲正確；找到那個「一句話就能說清楚」的核心。
註：站內沒有《數學之美》的原書檔。以下補充的公式與數字都可以自己推導或重算（計算以 Python 驗證，2026-09-25），不引用原書頁碼。
★ 為什麼「簡單的模型」更可能對：過度擬合
這條原則有一個可以精確說明的版本：模型越複雜，越能「解釋」任何資料——包括雜訊。
- 10 個資料點，用一條直線（2 個參數）去擬合，會有誤差；用 9 次多項式（10 個參數），可以完美穿過每一個點，誤差為 0。
- 但拿新的資料點來測試，9 次多項式通常錯得離譜——它記住的是這 10 個點的雜訊，不是背後的規律。
托勒密的本輪系統就是這樣：參數夠多，就能貼合任何觀測；但它的「準確」來自不斷加參數，而不是抓到了本質。
判準：一個模型的好壞，要看它預測沒見過的資料的能力，而不是它解釋已知資料的能力。機器學習用「留出測試集」、科學用「可證偽的預測」，做的是同一件事。
★ 在軟體裡辨認「本輪」
| 症狀 | 代表 |
|---|---|
每修一個 bug 就多一個 if 特例 | 模型沒抓到規律，在逐點擬合 |
| 設定檔越來越多參數，而且彼此有交互作用 | 同上 |
| 新需求進來，總要改好幾個地方 | 抽象的邊界畫錯了 |
具體例子與「什麼時候該換模型」的判準，見姊妹卡 工具-找對數學模型。
🧪 我實際套用的紀錄
- 2026-07-24：（待填）
⚠️ 注意 / 什麼時候不適用
- 「簡單」是就本質模型而言；別把「省略必要條件」當簡單。愛因斯坦：一切應盡可能簡單，但不能過於簡單。