Co to jest Overfitting?

Definicja

Overfitting to zjawisko w machine learning, gdzie model uczy się danych treningowych tak dokładnie, że traci zdolność do dobrego działania na nowych, nieznanych danych, zapamiętując szczegóły zamiast uczenia się ogólnych wzorców.

Cel

Rozpoznawanie i zapobieganie overfittingowi ma na celu tworzenie modeli, które dobrze generalizują na nowych danych, a nie tylko doskonale działają na danych treningowych.

Funkcja

Overfitting objawia się poprzez:

• Bardzo wysoką dokładność na danych treningowych
• Znacznie niższą wydajność na danych testowych
• Nadmierną złożoność modelu
• Brak zdolności generalizacji

Przykład

Model rozpoznający koty może nauczyć się rozpoznawać konkretne zdjęcia kotów z zestawu treningowego (włącznie z tłem, oświetleniem), ale nie potrafi rozpoznać kota na nowym zdjęciu z innym tłem czy oświetleniem.

Powiązane

• Regularization: Techniki zapobiegające overfitting
• Cross-Validation: Metoda wykrywania overfitting
• Bias-Variance Tradeoff: Koncepcja związana z overfitting
• Early Stopping: Technika zapobiegania overfitting

Chcesz dowiedzieć się więcej?

Jeśli chcesz dowiedzieć się więcej na temat Overfitting, skontaktuj się ze mną na X. Uwielbiam dzielić się pomysłami, odpowiadać na pytania i omawiać ciekawostki na te tematy, więc nie wahaj się wpaść. Do zobaczenia!