Was Overfitting bedeutet
Eine Überanpassung tritt auf, wenn ein Modell zu sehr auf die Beispiele spezialisiert ist, die es während des Trainings gesehen hat. Es kann bei Trainingsdaten eine hervorragende Leistung erzielen, bei neuen, realen Daten jedoch scheitern. In der Praxis hat sich das Modell zu viel eingeprägt, anstatt verallgemeinernde Muster zu lernen.
Warum das wichtig ist
Überanpassung ist wichtig, da das Ziel nicht darin besteht, auf dem Trainingssatz eine perfekte Leistung zu erbringen; Das Ziel besteht darin, bei zukünftigen Daten eine gute Leistung zu erbringen. Ein Modell, das zu gut passt, kann während der Entwicklung erfolgreich aussehen, in der Produktion jedoch enttäuschen.
Häufige Anwendungen
- Vergleich der Trainingsgenauigkeit mit der Validierungsgenauigkeit.
- Verwendung vorgehaltener Testsätze.
- Anwenden von Regularisierung oder vorzeitigem Stoppen.
- Sammeln repräsentativerer Daten.
- Vermeiden Sie wiederholte Abstimmungen anhand derselben Testbeispiele.
Worauf zu achten ist
Eine Überanpassung kann auftreten, wenn das Modell für die Datenmenge zu komplex ist, das Training zu lange dauert, Labels Rauschen enthalten oder der Trainingssatz nicht die reale Verteilung darstellt.
Overfitting lässt sich am besten im Kontext verstehen: welche Daten verwendet werden, welche Aufgabe unterstützt wird und wie die Ausgabe geprüft wird.