Treeningviga näitab, kui palju mudeli ennustused erinevad õigetest väärtustest täpselt nendel andmetel, millega seda treeniti. Üksi ütleb see vähe: oluline on võrdlus üldistusveaga uutel andmetel. Kõrge treeningviga viitab alasobitamisele; väga madal treeningviga koos kõrge veaga testandmetel viitab tavaliselt ülesobitamisele.
Üldistusviga mõõdab, kui palju TI-mudel eksib uute, varem nägemata andmete puhul – erinevalt veast treeningandmetel. Suur lõhe nende kahe vahel viitab ülesobitamisele: mudel on näited pähe õppinud, mitte üldisi mustreid omandanud. Seda hinnatakse kõrvale jäetud testandmete või ristvalideerimise abil. See on näitaja, mis tegelikult loeb, sest praktikas puutub mudel kokku peaaegu ainult uute juhtumitega.
Ülesobitamine (overfitting) tekib siis, kui mudel jätab treeningandmed, sealhulgas juhuslikud omapärad ja müra, pähe, selle asemel et tabada üldkehtivaid mustreid. Siis tundub see tuttavate andmete puhul väga täpne, kuid toimib uute andmete puhul halvasti. Tüüpiline märk on suur vahe treening- ja testivea vahel. Vastumeetmed on rohkem või mitmekesisemad andmed, lihtsamad mudelid, regulariseerimine, dropout ja ristvalideerimine.
Alasobitamine (underfitting) tekib siis, kui mudel on liiga lihtne, et andmetes olevaid seoseid tabada. Siis teeb see palju vigu nii treeningandmetel kui ka uutel andmetel, näiteks kui selgelt kõverat mustrit püütakse kujutada sirgjoonega. Abinõud on võimekam mudel, informatiivsemad tunnused, pikem treening või vähem regulariseerimist; vastupidine probleem on ülesobitamine.
Ristvalideerimine on meetod, millega kontrollitakse, kui hästi mudel üldistub uutele, nägemata andmetele. K-osaga ristvalideerimisel jagatakse andmed k osaks; mudelit treenitakse k korda k−1 osal ja testitakse iga kord ülejäänud osal, seejärel tulemused keskmistatakse. See aitab avastada ülesobitamist ja võrrelda mudeleid või seadeid ausalt, eriti kui andmeid on vähe.
