Ένα μοντέλο που έχει βαθμολογία 99% στα δεδομένα εκπαίδευσης και 60% στα νέα δεδομένα έχει πάρει λάθος μάθημα. Η υπερπροσαρμογή σημαίνει απομνημόνευση θορύβου και ιδιορρυθμιών αντί του υποκείμενου μοτίβου, και είναι η πιο συνηθισμένη αποτυχία στην εφαρμοσμένη μηχανική μάθηση.

Τα σήματα εντοπίζονται εύκολα. Η απώλεια εκπαίδευσης συνεχίζει να μειώνεται, ενώ η απώλεια επικύρωσης αυξάνεται. Το μοντέλο αποδίδει καλά σε παραδείγματα που έχει δει και κακά σε οτιδήποτε άλλο. Η πολυπλοκότητα, τα μικρά σύνολα δεδομένων και η μακρά εκπαίδευση αυξάνουν τον κίνδυνο.

Κοινά αντίμετρα

• Περισσότερα δεδομένα εκπαίδευσης
• Κανονικοποίηση όπως η απώλεια βάρους
• Εγκατάλειψη κατά τη διάρκεια της εκπαίδευσης
• Πρόωρη διακοπή λόγω απώλειας επικύρωσης
• Απλούστερες αρχιτεκτονικές μοντέλων
• Επαύξηση δεδομένων

Η υποπροσαρμογή είναι το αντίθετο πρόβλημα, όπου το μοντέλο είναι πολύ απλό για να αποτυπώσει καθόλου το μοτίβο. Ο στόχος είναι η μεσαία λύση, όπου το μοντέλο γενικεύει χωρίς να απομνημονεύει.