النموذج الذي يحقق نسبة 99% على بيانات التدريب و60% على البيانات الجديدة يكون قد تعلم الدرس الخاطئ. فالتخصيص الزائد يعني حفظ التشويش والخصائص الفردية بدلاً من النمط الأساسي، وهو أكثر أنواع الفشل شيوعاً في تطبيقات التعلم الآلي.

يسهل رصد الإشارات. ينخفض ​​معدل خسارة التدريب بينما يرتفع معدل خسارة التحقق. يُظهر النموذج أداءً جيدًا على الأمثلة التي رآها سابقًا، وأداءً ضعيفًا على أي أمثلة أخرى. يزيد كل من التعقيد، وصغر حجم مجموعات البيانات، وطول فترة التدريب من المخاطر.

التدابير المضادة الشائعة

• المزيد من بيانات التدريب
• التنظيم مثل انخفاض الوزن
• الانسحاب أثناء التدريب
• التوقف المبكر بناءً على خسارة التحقق
• بنى نماذج أبسط
• زيادة البيانات

يُعدّ نقص التوافق مشكلة معاكسة، حيث يكون النموذج بسيطًا جدًا لدرجة أنه لا يستطيع استيعاب النمط على الإطلاق. والهدف هو الوصول إلى حل وسط، حيث يُعمّم النموذج دون الحاجة إلى الحفظ.