Aşırı öğrenme, bir modelin eğitim verisine fazla uyum sağlaması durumudur. Model, verideki genel örüntüleri öğrenmek yerine eğitim örneklerine özgü ayrıntıları, hatta gürültüyü ezberler. Sonuçta eğitim verisinde çok başarılı görünür ama daha önce görmediği verilerde kötü performans gösterir.
Aşırı öğrenme genellikle veri az olduğunda, model çok karmaşık olduğunda ya da eğitim çok uzun sürdüğünde ortaya çıkar. Bunu fark etmenin en iyi yolu, modeli ayrı tutulan test verisiyle ölçmektir. Daha fazla ve çeşitli veri toplamak, modeli sadeleştirmek ya da eğitimi zamanında durdurmak gibi yöntemler aşırı öğrenmeyi azaltır.
Tersi durum da vardır: model çok basit kalırsa verideki örüntüleri bile yakalayamaz. Buna "yetersiz öğrenme" (underfitting) denir.
Pour les enfants
Çocuğunuza nasıl anlatırsınız?
Matematik sınavına sadece kitaptaki soruların cevaplarını ezberleyerek çalıştığını düşün. Aynı sorular gelirse tam puan alırsın, ama sayılar biraz değişince ne yapacağını bilemezsin. Model de böyle ezber yaparsa yeni sorularda çuvallar. Asıl amaç ezberlemek değil, konuyu anlamaktır.
Gündelik bir örnek
Sadece kendi köpeğinizin fotoğraflarıyla eğitilen bir "köpek tanıma" modeli, başka cins bir köpeği tanıyamayabilir.