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.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaA 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 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 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.
A regularizáció olyan technikákat foglal magában, amelyek megakadályozzák, hogy a modell a tanítás során túlságosan szorosan illeszkedjen a tanítóadataihoz (túlillesztés). Ilyen például a nagy súlyok büntetése (L1- vagy L2-regularizáció), a neuronok véletlenszerű kikapcsolása (dropout) vagy a tanítás megfelelő időpontban történő leállítása (early stopping). A cél egy egyszerűbb modell, amely megbízhatóbban teljesít új, ismeretlen adatokon, még ha a tanítóadatokon kissé gyengébb eredményt ér is el.
