ويحدث التفويض عندما يتعلم نموذج التعلم العميق بيانات التدريب بشكل جيد جدا، بما في ذلك الضوضاء والمخارج، مما يقلل من قدرته على تعميم البيانات الجديدة، ويعتبر تحديد ومنع الإفراط في الملاءمة أمرا أساسيا لبناء نماذج فعالة.

فهم المغتربين

يحدث تجاوز في الملاءمة عندما يلتقط نموذج تفاصيل بيانات التدريب بشكل مفرط مما يؤدي إلى دقة عالية في بيانات التدريب لكن سوء الأداء في البيانات غير المرئية

حساب لكشف الملاءمة الزائدة

ومن شأن رصد الفرق بين التدريب ودقة المصادقة أو الخسارة أن يساعد على كشف المبالغة في الملاءمة، إذ تشير فجوة كبيرة إلى المبالغة في الملاءمة، وتشمل الحسابات المشتركة ما يلي:

  • Training Loss]: The error on the training set.
  • Validation Loss: The error on the validation set.
  • Difference]: الفجوة بين مقاييس التدريب والتثبت.

التدابير الوقائية

ويمكن أن يؤدي تنفيذ الاستراتيجيات إلى الحد من المغالاة في الاستفادة وتحسين تعميم النماذج، وتشمل التدابير المشتركة ما يلي:

  • Regularization]: Techniques like L1 and L2 add penalties to model weights.
  • Dropout]: Randomly deactivates neurons during training to prevent co-adaptation.
  • Early stopping]: Stops training when validation performance stops improving.
  • Data Augmentation]: Expands training data with transformations.
  • Model Simplification]: Reduces model complexity by declining layers or parameters.