Model, który osiąga 99% w danych treningowych i 60% w nowych danych, wyciągnął błędną lekcję. Nadmierne dopasowanie oznacza zapamiętywanie szumu i idiosynkrazji zamiast wzorca leżącego u ich podstaw, i jest to najczęstsza wada w stosowanym uczeniu maszynowym.

Sygnały są łatwe do wykrycia. Strata w procesie uczenia stale spada, a strata w procesie walidacji rośnie. Model działa dobrze na przykładach, które już widział, ale słabo na wszystkich innych. Złożoność, małe zbiory danych i długi czas uczenia zwiększają ryzyko.

Typowe środki zaradcze

• Więcej danych szkoleniowych
• Regularyzacja, taka jak utrata wagi
• Rezygnacja z treningu
• Wczesne zatrzymanie na podstawie utraty walidacji
• Prostsze architektury modeli
• Rozszerzanie danych

Niedopasowanie to odwrotny problem, gdzie model jest zbyt prosty, aby w ogóle uchwycić wzorzec. Celem jest rozwiązanie pośrednie, gdzie model generalizuje bez zapamiętywania.