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
Wil je meer weten?
Als je dieper wilt ingaan op Túlillesztés —of dit soort training naar je team wilt brengen— laten we praten. Ik help teams deze concepten te begrijpen en toe te passen. Ik hoor graag van je!
Mi a Trust Boundary?
A Bizalmi Határ (Trust Boundary) egy biztonsági koncepció AI rendszerekben,...
Mik a Credits / Tokens?
A Kreditek és Tokenek az AI szolgáltatások használatának mértékegységei, am...
Mi a Transformer?
A Transformer egy neurális hálózati architektúra, amely önfigyelem mechaniz...
Mi az Escape Hatch?
A Menekülési Útvonal (Escape Hatch) egy biztonsági mechanizmus AI rendszere...
Mi a Swarm az AI-ban?
A Raj (Swarm) az AI kontextusában több kisebb, egyszerű AI ügynök koordinál...