Kazalo:
Opredelitev - Kaj pomeni Overfitting?
V statistiki in strojnem učenju se prekomerno prilagajanje pojavi, ko model skuša napovedati trend podatkov, ki je preveč hrupen. Overfitting je rezultat preveč zapletenega modela s preveč parametri. Model, ki je preoblikovan, ni pravilen, ker trend ne odraža realnosti podatkov.
Techopedia razlaga Overfitting
Prenapolnjen model je model s trendno črto, ki odraža napake v podatkih, s katerimi je usposobljen, namesto da natančno napoveduje nevidne podatke. To je bolje vidno z grafom podatkovnih točk in linijo trendov. Prenapolnjen model prikazuje krivuljo z višjimi in nižjimi točkami, pravilno nameščen model pa gladko krivuljo ali linearno regresijo.
Glavna težava pri prekomernem opremljanju je, da je model učinkovito zapomnil obstoječe podatkovne točke, ne pa da bi poskušal napovedati, kako nevidne bodo podatkovne točke.
Prekomerno opremljanje je običajno posledica prevelikega števila točk za vadbo. Obstajajo številne tehnike, ki jih raziskovalci strojnega učenja lahko uporabljajo za ublažitev prekomernega opremljanja, vključno z navzkrižno validacijo, regularizacijo, zgodnjim ustavljanjem, obrezovanjem, Bayesovimi prednostniki, osipom in primerjavo modelov.
