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 rispetto ai dati disponibili o viene addestrato troppo a lungo. Il sistema impara dettagli, rumore e difetti del dataset invece di cogliere schemi utili. Il risultato sono prestazioni ottime sui dati già visti e deboli su casi reali. Le contromisure includono set di validazione separati, regolarizzazione, dropout, aumento dei dati e interruzione anticipata dell'addestramento quando l'errore esterno peggiora.