Surapprentissage

Votre mouvement d’apprentissage

S’orienterClarifier un terme, une source, une personne ou un événement.

Pourquoi cette page existe

Les pages de référence soutiennent l’apprentissage sans vous obliger à abandonner votre question ou parcours.

Ce que vous en retirerez

Le surapprentissage apparaît lorsqu’un modèle épouse trop les exemples d’entraînement ou leur bruit et réussit moins bien sur de nouveaux cas pertinents.

Avant de commencer

Utilisez ces pages seules ou revenez à l’objet qui vous y a conduit.

Faites ceci maintenant

Trouvez le fait ou la relation nécessaire, puis revenez à votre objectif.

À faire maintenantClarifier ce conceptLe plan indique le résultat, le temps, les prérequis, l’action immédiate et la suite préparée.Autre parcours valableExaminer les SourcesVoir la provenance, la revue et les limites des preuves.

Compte

Glossaire connecté

Surapprentissage

Le surapprentissage apparaît lorsqu’un modèle épouse trop les exemples d’entraînement ou leur bruit et réussit moins bien sur de nouveaux cas pertinents.

Plan pour cette page

Comprendre un concept dans un langage simple et le relier à des idées voisines.

Vous repartirez avec: Le modèle mémorise parfois des particularités au lieu de motifs généralisables. Complexité, données limitées, fuite, réglages excessifs et réutilisation répétée du même test peuvent y contribuer.
Temps: 3–8 min
Avant de commencer: Aucun prérequis. Gardez un exemple réel en tête.
Faites ceci maintenant: Lisez l’explication, puis comparez l’exemple à l’idée reçue.

Étape suivante préparéeÉtudier généralisation et tests

SurapprentissageLe surapprentissage apparaît lorsqu’un modèle épouse trop les exemples d’entraînement ou leur bruit et réussit moins bien sur de nouveaux cas pertinents.

Entraînement
Jeu de données
Généralisation

Explication

Le modèle mémorise parfois des particularités au lieu de motifs généralisables. Complexité, données limitées, fuite, réglages excessifs et réutilisation répétée du même test peuvent y contribuer.

Exemple

Un classificateur reconnaît toutes les photos de plantes d’entraînement mais échoue quand la même espèce apparaît sur un autre fond.

Pourquoi cela compte

Le succès à l’entraînement crée une fausse confiance sans évaluation indépendante. C’est une raison de séparer les données, documenter les réglages et tester le transfert.

Idée reçue

Idée reçue : davantage d’entraînement améliore toujours le modèle. Correction : poursuivre l’optimisation peut améliorer les métriques d’entraînement tout en dégradant les cas nouveaux.

Concepts liés

Suivez les relations, pas seulement l’alphabet

EntraînementL’entraînement est le processus d’ajustement d’un modèle pour améliorer sa performance selon un objectif avec des données, du feedback ou des interactions.Jeu de donnéesUn jeu de données est une collection organisée d’exemples ou d’enregistrements utilisée pour l’entraînement, l’évaluation, l’analyse ou l’exploitation.GénéralisationLa généralisation est la capacité d’un modèle à rester utile sur des exemples ou conditions pertinents non vus pendant l’entraînement.

Étudier généralisation et tests

Sources et périmètre

Ce qui soutient cet objet

Machine Learning GlossaryGoogle for Developers

Définit le surapprentissage dans l'apprentissage automatique ; le diagnostic dépend des répartitions de données, des mesures et du contexte de la tâche appropriés.

Ouvrir la source

Loading page content...

…