Overfitting
1Definicja
Overfitting (nadmierne dopasowanie) to sytuacja, gdy model AI "wkuł" dane treningowe zamiast nauczyć się ogólnych wzorców. Działa świetnie na znanych przykładach, ale zawodzi na nowych, nieznanych danych.
2Co to oznacza w praktyce
Wyobraź sobie studenta, który zapamiętał wszystkie odpowiedzi z testów próbnych, ale nie zrozumiał materiału. Na teście próbnym dostaje 100%, ale na egzaminie z nowymi pytaniami – 30%. **Tak działa overfitting:** • Model "pamięta" konkretne przykłady z treningu zamiast uczyć się zasad. • Na danych treningowych: wyniki idealne. • Na nowych danych (produkcja): wyniki słabe lub katastrofalne. **Jak rozpoznać overfitting:** • Ogromna różnica między wynikami na danych treningowych i testowych. • Model "zmyśla" szczegóły, które były w treningu, ale nie pasują do nowej sytuacji. **Jak zapobiegać:** • Więcej różnorodnych danych treningowych. • Regularyzacja (techniki "hamujące" model przed zapamiętywaniem). • Walidacja na osobnym zbiorze danych.
3Dlaczego to ma znaczenie
Overfitting to jeden z najczęstszych problemów w projektach ML/AI. Model, który "działa świetnie" w laboratorium, a zawodzi w produkcji, to często właśnie przypadek overfittingu. Zrozumienie tego zjawiska pozwala unikać kosztownych porażek wdrożeniowych.
Najczęstszy błąd
Testowanie modelu na tych samych danych, na których był trenowany. To jak sprawdzanie ucznia pytaniami, które już widział – nie dowiesz się, czy naprawdę się nauczył.