Overfitting

Che cosa accade con l’overfitting?

L’overfitting significa che un modello assimila particolarità dei dati di addestramento tanto da non generalizzare adeguatamente a nuovi esempi pertinenti. Possono essere schemi casuali o dettagli poco utili per il compito reale. I buoni risultati sui soli esempi di addestramento non bastano quindi alla valutazione. Si esaminano, tra l’altro, risultati su dati separati, suddivisione dei dati e andamento dell’apprendimento.

In un progetto di ricambi fittizio, alcune classi di articolo compaiono spesso su uno sfondo dello stesso colore nelle foto di addestramento. Il modello potrebbe usare lo sfondo come scorciatoia invece di apprendere le caratteristiche importanti dei pezzi. Il gruppo di lavoro prevede quindi controlli con immagini non usate prima e sfondi modificati. Esamina anche se i dati coprano l’uso previsto e come generalizzino varianti diverse. Una singola assegnazione errata con un’illuminazione diversa non dimostra un overfitting; vanno indagate anche altre cause.

Fonti

• Google · Overfitting

• Google · Datasets: Dividing the original dataset