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.
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.
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.
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.
Regulariseerimine hõlmab tehnikaid, mis takistavad mudelil treeningu ajal oma treeningandmetega liiga tihedalt sobituda (ülesobitamine). Näited on suurte kaalude karistamine (L1- või L2-regulariseerimine), neuronite juhuslik väljalülitamine (dropout) või treeningu õigel hetkel peatamine (early stopping). Eesmärk on lihtsam mudel, mis toimib uute, nägemata andmete puhul töökindlamalt, isegi kui treeningandmetel on tulemus veidi madalam.
