overfitting

توضیح

مدل هنگام آموزش ممکن است به‌جای یادگیری الگوهای قابل‌تعمیم، جزئیات و تصادف‌های داده‌های آموزش را یاد بگیرد. در این حالت، عملکرد خوب روی همان داده‌ها نشانهٔ موفقیت روی داده‌های تازه نیست. مقایسهٔ عملکرد روی داده‌های آموزش و داده‌های جداگانه به تشخیص این مشکل کمک می‌کند؛ regularization و داده‌های آموزشی بیشتر و متنوع‌تر هم می‌توانند آن را کاهش دهند.

مثال

فرض کن برای امتحان فقط جواب تمرین‌ها را حفظ کنی، بدون اینکه روش حل را یاد بگیری. همان تمرین‌ها را عالی جواب می‌دهی، اما با تغییر سؤال گیر می‌کنی؛ مدل دچار overfitting هم روی داده‌های آشنا خوب است، نه لزوماً روی داده‌های تازه.

چرا مهمه

هنگام آموزش و ارزیابی مدل با overfitting روبه‌رو می‌شوی: اگر فقط نتیجهٔ داده‌های آموزش را بسنجی، ممکن است مدلی را مناسب بدانی که در استفادهٔ واقعی خوب کار نمی‌کند.

مفهوم‌های مرتبط

• convolutional neural networks
• metrics