Overfitting

Errore di apprendimento in cui un modello assimila troppo i dati di addestramento e funziona male su esempi nuovi o reali.

L'overfitting emerge quando il modello è troppo complesso per i dati disponibili oppure viene addestrato troppo a lungo. Il sistema memorizza dettagli, rumore e difetti del Dataset invece di cogliere schemi generalizzabili. Ottiene così risultati eccellenti sui dati già visti e deboli sui casi reali. Le contromisure comprendono set di validazione separati, regolarizzazione, dropout, aumento dei dati e arresto anticipato quando l'errore sui dati esterni comincia a crescere.