Ve strojovém učení je učební křivka graf, který ukazuje výkon nebo chybu modelu v průběhu trénování nebo podle množství trénovacích dat, obvykle zvlášť pro trénovací a validační data. Její tvar prozrazuje, zda je model podučený, nebo přeučený a zda pravděpodobně pomůže více dat. Pokud například validační chyba zůstává výrazně nad trénovací chybou, ukazuje to na přeučení. V běžné řeči pojem označuje také to, jak rychle lidé zvládnou novou technologii.
Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.
Spustit demoVe strojovém učení konvergence znamená, že se trénovací postup blíží ke stabilnímu stavu: ztráta (loss) už téměř neklesá a parametry modelu se mění jen minimálně. To, zda a jak rychle model konverguje, závisí na faktorech, jako jsou míra učení, kvalita dat a architektura modelu. Je-li míra učení příliš vysoká, ztráta poskakuje; je-li příliš nízká, trénování trvá zbytečně dlouho. Konvergence nezaručuje dobrý model, protože může být stále přeučený.
K přeučení (overfitting) dochází, když si model zapamatuje trénovací data včetně náhodných zvláštností a šumu, místo aby zachytil obecně platné vzory. Pak působí na známých datech velmi přesně, ale na nových datech si vede špatně. Typickým znakem je velký rozdíl mezi chybou na trénovacích a testovacích datech. Pomáhá více nebo rozmanitější dat, jednodušší modely, regularizace, dropout a křížová validace.
O nedostatečné přizpůsobení (underfitting) jde tehdy, když je model příliš jednoduchý na to, aby zachytil vztahy v datech. Dělá pak mnoho chyb jak na trénovacích datech, tak na nových datech, například když se k zobrazení výrazně zakřiveného vzoru použije přímka. Řešením je výkonnější model, informativnější příznaky, delší trénování nebo slabší regularizace; opačným problémem je přeučení.
Chyba na trénovacích datech udává, o kolik se předpovědi modelu odchylují od správných hodnot přesně u dat, na nichž byl trénován. Sama o sobě říká málo: důležité je porovnání s generalizační chybou na nových datech. Vysoká chyba na trénovacích datech ukazuje na nedostatečné přizpůsobení (underfitting); velmi nízká chyba na trénovacích datech spojená s vysokou chybou na testovacích datech obvykle signalizuje přeučení.
