Surapprentissage

Que se passe-t-il en cas de surapprentissage ?

Le surapprentissage signifie qu’un modèle adopte si fortement des particularités des données d’entraînement qu’il généralise mal à de nouveaux exemples pertinents. Il peut s’agir de structures fortuites ou de détails peu utiles pour la tâche réelle. De bons résultats sur les seuls exemples d’entraînement ne suffisent donc pas à l’évaluation. L’examen porte notamment sur les résultats avec des données séparées, leur répartition et le déroulement de l’apprentissage.

Dans un projet fictif de pièces détachées, certaines classes d’articles apparaissent souvent sur un fond de même couleur dans les photos d’entraînement. Le modèle pourrait utiliser ce fond comme raccourci au lieu d’apprendre les caractéristiques importantes des pièces. L’équipe prévoit donc des contrôles avec des images jusque-là inutilisées et des fonds modifiés. Elle examine aussi si les données couvrent l’usage prévu et comment différentes variantes généralisent. Une seule affectation erronée sous un autre éclairage ne prouve pas le surapprentissage ; d’autres causes doivent être examinées.

Sources

• Google · Overfitting

• Google · Datasets: Dividing the original dataset