Overfitting
For sterk tilpasning til særtrekk i treningsdata som svekker modellens generalisering til nye eksempler.
Hva skjer ved overfitting?
Overfitting betyr at en modell tar til seg særtrekk i treningsdata så sterkt at den ikke generaliserer tilstrekkelig til nye relevante eksempler. Det kan være tilfeldige mønstre eller detaljer som sier lite om den faktiske oppgaven. Gode resultater på bare treningseksempler er derfor ikke nok til vurderingen. Undersøkelsen ser blant annet på resultater på atskilte data, dataoppdelingen og læringsforløpet.
I et fiktivt reservedelsprosjekt vises bestemte vareklasser ofte mot samme bakgrunnsfarge i treningsbilder. Modellen kan bruke bakgrunnen som en snarvei i stedet for å lære delenes viktige egenskaper. Teamet planlegger derfor kontroller med hittil ubrukte bilder og endrede bakgrunner. Det undersøker også om dataene dekker den tiltenkte bruken, og hvordan ulike modellvarianter generaliserer. Én feil tilordning ved annet lys dokumenterer ikke overfitting; andre årsaker må også undersøkes.
Kilder
Beslektede begreper
- MaskinlæringModeller lærer mønstre fra data og bruker dem på nye inndata.
- LLM-evalueringLLM-evaluering tester modellutdata mot definerte oppgaver og kriterier. Ett godt enkelttilfelle dokumenterer ikke generell kvalitet.
- TreningsdataEksemplene som en modell lærer sammenhenger eller parametere fra under treningen.
- ValideringsdataData som brukes til å vurdere og velge modellvarianter under utviklingen.
- Testdata i maskinlæringData til avsluttende vurdering der resultatene ikke er brukt til å velge modellvarianten som vurderes.
- UnderfittingEn modell fanger ikke opp sammenhengene oppgaven trenger godt nok, og gir derfor svake prediksjoner.
Ditt prosjekt med ASES
Beskriv prosjektet ditt for oss. Vi tar kontakt med en første vurdering.