Overfitting
En for stærk tilpasning til særlige træk i træningsdata, som forringer modellens generalisering til nye eksempler.
Hvad sker der ved overfitting?
Overfitting betyder, at en model overtager særlige træk i træningsdata så stærkt, at den ikke generaliserer tilstrækkeligt til nye relevante eksempler. Det kan være tilfældige mønstre eller detaljer, som siger lidt om den faktiske opgave. Gode resultater på træningseksempler alene er derfor ikke nok til vurderingen. Undersøgelsen ser blandt andet på resultater på adskilte data, dataopdelingen og læringsforløbet.
I et fiktivt reservedelsprojekt optræder bestemte vareklasser ofte foran samme baggrundsfarve på træningsfotos. Modellen kan bruge baggrunden som genvej i stedet for at lære delenes vigtige egenskaber. Teamet planlægger derfor kontroller med hidtil ubrugte billeder og ændrede baggrunde. Det undersøger også, om dataene dækker den planlagte brug, og hvordan forskellige modelvarianter generaliserer. En enkelt forkert tilordning ved andet lys dokumenterer ikke overfitting; andre årsager skal også undersøges.
Kilder
Relaterede begreber
- MaskinlæringModeller lærer mønstre fra data og bruger dem på nye input.
- LLM-evalueringLLM-evaluering undersøger modeloutput efter definerede opgaver og kriterier. Et godt enkeltstående eksempel dokumenterer ikke generel kvalitet.
- TræningsdataDe eksempler, som en model lærer sammenhænge eller parametre fra under træningen.
- ValideringsdataData til at vurdere og vælge modelvarianter under udviklingen.
- Testdata i maskinlæringData til afsluttende vurdering, hvis resultater ikke er brugt til at vælge den vurderede modelvariant.
- UnderfittingEn model opfanger ikke de nødvendige sammenhænge i opgaven tilstrækkeligt og giver derfor svage forudsigelser.
Dit projekt med ASES
Beskriv dit projekt for os. Vi vender tilbage med en første vurdering.