Alulillesztés akkor történik, amikor a modell túl egyszerű, és nem képes megtanulni az adatok közötti alapvető összefüggéseket.
Ilyenkor a modell a tanítókészleten is rosszul teljesít, mert nem tudja megragadni az adat mögött húzódó mintázatokat. Az alulillesztés gyakran a túl kevés jellemző vagy egy túl egyszerű algoritmus miatt alakul ki.
Ugyanúgy problémát jelent, mint a túlillesztés, mert használhatatlan előrejelzéseket eredményez.
Egy lineáris modell próbál leírni egy bonyolult görbét, de csak egy egyeneset tud illeszteni.
A felügyelt tanulás egy gépi tanulási módszer, ahol az algoritmust olyan adatokkal tanítják, amelyek tartalmazzák a bemeneteket és a hozzájuk tartozó helyes kimeneteket.
A hyperparaméterek olyan beállítások, amelyeket a modelltanítás előtt adunk meg, és amelyek befolyásolják a tanulási folyamatot.
A hyperparaméter hangolás az a folyamat, amely során megtaláljuk a modell számára legjobb beállításokat.
A jellemzők azok a változók vagy tulajdonságok, amelyeket a modell a döntések meghozatalához használ.
A lineáris regresszió egy egyszerű statisztikai modell, amely egyenes vonallal próbálja megbecsülni a bemenet és a kimenet közötti kapcsolatot.
A modell az a matematikai és statisztikai struktúra, amelyet az AI az adatokból tanulás során hoz létre, és amit a döntéshozatalra használ.
A torzítás az AI rendszerekben megjelenő rendszeres hiba, amelyet általában az adatokban meglévő egyenlőtlenségek vagy előítéletek okoznak.
A túlillesztés akkor fordul elő, amikor a modell túl jól megtanulja a tanítókészlet adatait, de új adatokon rosszul teljesít.
