A túlillesztés akkor fordul elő, amikor a modell túl jól megtanulja a tanítókészlet adatait, de új adatokon rosszul teljesít.
A modell nem általánosít, hanem „megjegyzi” a példákat, beleértve a zajt és a hibákat is. Ez gyakran a túl bonyolult modellek problémája.
Az AI gyakorlati alkalmazásának egyik legnagyobb veszélye.
Egy webshop ajánlórendszere, amely csak a meglévő ügyfelek szokásait tudja kezelni, de új ügyfelek esetében hibázik.
Alulillesztés akkor történik, amikor a modell túl egyszerű, és nem képes megtanulni az adatok közötti alapvető összefüggéseket.
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 keresztvalidáció egy technika, amely az adatok több részre osztásával méri a modell teljesítményét.
A modell az a matematikai és statisztikai struktúra, amelyet az AI az adatokból tanulás során hoz létre, és amit a döntéshozatalra használ.
A tanítókészlet az a konkrét adathalmaz, amelyet az AI-modell betanítására használnak.
A tesztkészlet egy külön adathalmaz, amellyel a betanított AI-modell teljesítményét mérik.
A validációs készlet olyan adathalmaz, amelyet a modell finomhangolására, az optimális paraméterek kiválasztására használnak.
