Túltanulás és általánosítás
A hibátlan tanítási eredmény néha figyelmeztető jel.
A lényeg
Túltanulás (overfitting) esetén a modell túlzottan alkalmazkodik a tanítóadat sajátosságaihoz, és új példákon rosszabbul teljesít. Az általánosítás azt jelenti, hogy a megtanult összefüggések releváns új adatokon is működnek. Regularizációval, megfelelő validációval, adatokkal és modellmérettel javítható.
Túltanuláskor a modell jól teljesít a tanítóadatokon, de gyengén az új helyzetekben. Segíthet több releváns adat, megfelelő modellkomplexitás és gondos tesztelés.
A diák, aki bemagolta a tíz példafeladat válaszát, elbukhat egy hasonló, de új kérdést. A modell is járhat így.
A magas tanítási pontosság nem ugyanaz, mint a jó éles működés.
Próbáld ki!
Találj ki egy tesztet, amellyel kiszűrnéd, ha egy chatbot csak a mintaválaszokat ismétli.
Szánj erre 1–2 percet. A saját megoldás többet ér, mint a kész válasz olvasása. Nem kell AI-fiók a feladathoz.
Mondd el saját szavaiddal a lecke lényegét. Hogyan magyaráznád el valakinek, miért téves a fent bemutatott félreértés? Hozz még egy saját példát!
Saját jegyzeted (automatikus helyi mentés)
Ellenőrizd a tudásod
Helyes válasz: Jó tanítási, de gyenge új adatos teljesítmény. Túltanulás (overfitting) esetén a modell túlzottan alkalmazkodik a tanítóadat sajátosságaihoz, és új példákon rosszabbul teljesít. A magas tanítási pontosság nem ugyanaz, mint a jó éles működés.
Források és továbbolvasás
A magyarázatok ismeretterjesztő összefoglalók. A hivatkozások modulonkénti szakmai háttéranyagok, nem mondatonkénti, elsődleges bizonyítékok. Kétség esetén ellenőrizd az eredeti dokumentumot.