Kā saprast, vai modelis ir nepietiekami apmācīts vai pārmācīts?

Lai saprastu, vai modelis ir nepietiekami apmācīts vai pārmācīts, analizē kļūdas uzvedību apmācības un validācijas kopās:

• Nepietiekama apmācība (underfitting): modelis slikti darbojas gan uz apmācības, gan uz testu kopām — kļūda ir augsta visur. Tas nozīmē, ka modelis ir pārāk vienkāršs un nespēj uztvert modeļus.

• Pārmācīšana (overfitting): modelis rāda ļoti zemu kļūdu uz apmācības kopas, bet augstu uz testu. Modelis ir pārāk labi atcerējies apmācības datus, ieskaitot troksni, un slikti vispārina.

Diagnostikai bieži tiek būvēts kļūdas atkarības grafiks no modeļa sarežģītības vai epohu skaita. Ideāls modelis ir ar zemu kļūdu abās kopās.

Piemērs:

Modelis	Kļūda apmācībā	Kļūda testā	Secinājums
Vienkāršs	Augsta	Augsta	Nepietiekama apmācība
Sarežģīts	Zema	Augsta	Pārmācīšanās
Optimāls	Zema	Zema	Labs model

Lai cīnītos ar pārmācīšanos, tiek izmantota regulārizācija, datu vākšana, modeļa vienkāršošana vai agrīnas apstāšanās metodes.