A tanítási hiba azt mutatja, mennyire térnek el a modell előrejelzései a helyes értékektől pontosan azokon az adatokon, amelyeken tanították. Önmagában keveset mond: az új adatokon mért általánosítási hibával való összehasonlítás a lényeges. A magas tanítási hiba alulillesztésre utal; a nagyon alacsony tanítási hiba magas tesztadat-hibával kombinálva általában túlillesztést jelez.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaAz általánosítási hiba azt méri, mekkora a tévedése egy MI-modellnek új, korábban nem látott adatokon – a tanítóadatokon mért hibájától megkülönböztetve. A kettő közötti nagy különbség túlillesztésre utal: a modell példákat jegyzett meg ahelyett, hogy általános mintázatokat tanult volna. Visszatartott tesztadatokkal vagy keresztvalidálással becsülik. Ez a valóban számító érték, mert a gyakorlatban a modell szinte csak új esetekkel találkozik.
A túlillesztés (overfitting) akkor lép fel, amikor a modell megjegyzi a tanítóadatokat – a véletlen sajátosságokkal és a zajjal együtt –, ahelyett hogy általánosan érvényes mintákat ragadna meg. Ilyenkor az ismert adatokon nagyon pontosnak tűnik, az új adatokon viszont gyengén teljesít. A tanítási és a tesztelési hiba közötti nagy különbség tipikus jel. Ellenszerek: több vagy változatosabb adat, egyszerűbb modellek, regularizáció, dropout és keresztvalidáció.
Az alulillesztés (underfitting) akkor lép fel, ha a modell túl egyszerű ahhoz, hogy megragadja az adatokban rejlő összefüggéseket. Ilyenkor a tanítóadatokon és az új adatokon is sok hibát vét, például ha egyenest használnak egy egyértelműen ívelt minta ábrázolására. Orvoslás: erősebb modell, informatívabb jellemzők, hosszabb tanítás vagy kevesebb regularizáció; az ellenkező probléma a túlillesztés.
A keresztvalidáció olyan módszer, amellyel ellenőrizhető, mennyire jól általánosít egy modell új, nem látott adatokra. A k-szoros keresztvalidációban az adatokat k részre osztják; a modellt k alkalommal tanítják k−1 részen, és minden alkalommal a megmaradt részen tesztelik, majd az eredményeket átlagolják. Ez segít felismerni a túlillesztést, és tisztességesen összehasonlítani modelleket vagy beállításokat, különösen kevés adat esetén.
