Mi az Overfitting?
Amikor egy AI modell túl specifikusan tanul a tanuló adatokra.
Meghatározás
A Túlillesztés (Overfitting) akkor következik be, amikor egy AI modell túl specifikusan tanul meg a tanuló adatokat, beleértve a zajt és véletlenszerű mintákat, ami gyenge teljesítményhez vezet új adatokon.
Cél
A cél az overfitting elkerülése általánosítható modellek létrehozása érdekében, amelyek jól teljesítenek új, korábban nem látott adatokon.
Működés
Az overfitting regularizációval, korai leállással, dropout technikákkal és cross-validációval megelőzhető vagy csökkenthető.
Példa
Egy modell 100%-os pontosságot ér el a tanuló adatokon, de csak 60%-ot új adatokon, mert túl specifikusan memorizálta a tanuló példákat.
Kapcsolódó
- Underfitting
- Regularizáció
- Generalizáció
- Modell Validáció
Szeretne többet megtudni?
Ha mélyebben szeretne elmerülni a Túlillesztés témában — vagy szeretne ilyen jellegű képzést hozni a csapatának — beszéljünk. Segítek a csapatoknak megérteni és alkalmazni ezeket a koncepciókat. Örömmel hallanék felőled!
Mi a Computer Use az AI-ban?
A Számítógép Használat (Computer Use) olyan AI képesség, amely lehetővé tes...
Mi a Toolchain?
Az Eszközkészlet (Toolchain) egy összekapcsolt AI eszközök, modellek és szo...
Mik az Evals?
Az Értékelések (Evals) olyan tesztek és eljárások összessége, amelyeket AI...
Mi a Cluster (GPU Cluster)?
A GPU Fürt (GPU Cluster) több grafikus processzor (GPU) összekapcsolásával...
Mi a Prompt Engineering?
A Prompt Tervezés (Prompt Engineering) az AI promptok optimalizálásának, fi...