Aşırı öğrenme, bir modelin eğitim verisini ezberleyecek kadar iyi öğrenip yeni ve görmediği verilerde kötü sonuç vermesidir.
Aşırı Öğrenme ne demek?
Model, verideki genel kuralları öğrenmek yerine gürültüyü ve tesadüfi ayrıntıları da öğrenir. Eğitim verisinde başarı çok yüksekken doğrulama verisinde düşükse aşırı öğrenme var demektir.
Daha fazla veri, daha basit model, düzenlileştirme, erken durdurma ve veri artırma başlıca çözüm yollarıdır.
Örnek
Sınav sorularını ezberleyen ama konuyu anlamayan bir öğrenci, sorular biraz değiştirildiğinde başarısız olur; aşırı öğrenmiş model de böyledir.
Yakın kavramlar
Eksik ÖğrenmeUnderfittingEksik öğrenme, bir modelin verideki örüntüleri yakalayamayacak kadar basit kalması ya da yeterince eğitilmemesi nedeniyle hem eğitim hem de yeni veride kötü sonuç vermesidir.Makine Öğrenmesi & EğitimDüzenlileştirmeRegularizationDüzenlileştirme, modelin aşırı öğrenmesini önlemek için onu daha basit ve genellenebilir çözümlere yönlendiren tekniklerin genel adıdır.Makine Öğrenmesi & EğitimDoğrulama ve Test VerisiValidation & Test DataDoğrulama ve test verisi, modelin eğitimde hiç görmediği örneklerle başarısını ölçmek için ayrılan veri bölümleridir.Makine Öğrenmesi & EğitimVeri ArtırmaData AugmentationVeri artırma, mevcut eğitim verilerinden küçük değişikliklerle yeni örnekler türeterek veri setini büyütme ve modeli daha sağlam hâle getirme yöntemidir.Veri & DeğerlendirmeÇapraz DoğrulamaCross-validationÇapraz doğrulama, veriyi birkaç parçaya bölüp modeli her seferinde farklı bir parçayla test ederek başarısını daha güvenilir ölçme yöntemidir.Veri & DeğerlendirmeDropoutDropout, eğitim sırasında her adımda rastgele seçilen nöronları geçici olarak devre dışı bırakarak aşırı öğrenmeyi azaltan düzenlileştirme yöntemidir.Derin Öğrenme & Sinir Ağları