Premajhno prileganje nastane, ko je model preveč preprost, da bi zajel povezave v podatkih. Potem dela veliko napak tako na podatkih za učenje kot na novih podatkih, na primer kadar z ravno črto predstavimo izrazito ukrivljen vzorec. Rešitve so zmogljivejši model, bolj informativne značilnice, daljše učenje ali manj regularizacije; nasprotna težava je preveliko prileganje.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevPreveliko prileganje nastane, ko si model zapomni podatke za učenje, vključno z naključnimi posebnostmi in šumom, namesto da bi zajel splošno veljavne vzorce. Na znanih podatkih potem deluje zelo natančno, na novih pa slabo. Tipičen znak je velika razlika med napako pri učenju in napako pri testiranju. Protiukrepi so več ali bolj raznolikih podatkov, preprostejši modeli, regularizacija, izpuščanje (dropout) in navzkrižno preverjanje.
Napaka posploševanja meri, koliko se model UI moti pri novih, še nevidenih podatkih – v nasprotju z napako pri učnih podatkih. Velika vrzel med njima kaže na čezmerno prilagajanje: model si je zapomnil primere, namesto da bi se naučil splošnih vzorcev. Ocenjuje se s podatki, ki so bili izločeni za testiranje, ali z navzkrižnim preverjanjem. To je številka, ki res šteje, ker se model v praksi skoraj vedno sreča z novimi primeri.
Napaka pri učenju pove, za koliko se napovedi modela razlikujejo od pravilnih vrednosti na natanko tistih podatkih, na katerih se je učil. Sama po sebi pove malo: pomembna je primerjava z napako posploševanja na novih podatkih. Visoka napaka pri učenju kaže na premajhno prileganje; zelo nizka napaka pri učenju v kombinaciji z visoko napako na testnih podatkih običajno pomeni preveliko prileganje.
Regularizacija zajema tehnike, ki med učenjem preprečujejo, da bi se model preveč tesno prilegel podatkom za učenje (preveliko prileganje). Primeri so kaznovanje velikih uteži (regularizacija L1 ali L2), naključno izklapljanje nevronov (dropout) ali ustavitev učenja ob pravem času (zgodnja ustavitev). Cilj je preprostejši model, ki zanesljiveje deluje na novih, še nevidenih podatkih, tudi če na podatkih za učenje doseže nekoliko slabši rezultat.
