Overfitting
För stark anpassning till särdrag i träningsdata som försämrar modellens generalisering till nya exempel.
Vad händer vid overfitting?
Overfitting (överanpassning) innebär att en modell lär sig särdrag i träningsdata så starkt att den inte generaliserar tillräckligt till nya relevanta exempel. Det kan vara slumpmässiga mönster eller detaljer som säger lite om den verkliga uppgiften. Bra resultat på enbart träningsexempel räcker därför inte för bedömning. Undersökningen ser bland annat på resultat på åtskilda data, datauppdelningen och inlärningsförloppet.
I ett fiktivt reservdelsprojekt förekommer vissa artikelklasser ofta mot samma bakgrundsfärg på träningsfoton. Modellen kan använda bakgrunden som en genväg i stället för att lära sig delarnas viktiga egenskaper. Teamet planerar därför kontroller med tidigare oanvända bilder och ändrade bakgrunder. Det undersöker också om data täcker den avsedda användningen och hur olika modellvarianter generaliserar. En enda felaktig tilldelning vid annat ljus bevisar inte overfitting; även andra orsaker behöver undersökas.
Källor
Relaterade begrepp
- MaskininlärningModeller lär sig mönster från data och använder dem på nya indata.
- LLM-utvärderingLLM-utvärdering prövar modellutdata mot definierade uppgifter och kriterier. Ett bra enskilt exempel bevisar inte allmän kvalitet.
- TräningsdataDe exempel som en modell lär sig samband eller parametrar från under träningen.
- ValideringsdataData för att bedöma och välja modellvarianter under utvecklingen.
- Testdata inom maskininlärningData för slutbedömning vars resultat inte har använts för att välja den modellvariant som bedöms.
- UnderfittingEn modell fångar inte upp de samband som behövs för uppgiften tillräckligt och ger därför svaga förutsägelser.
Ditt projekt med ASES
Beskriv ditt projekt för oss. Vi hör av oss med en första bedömning.