Bonne réponse
- ALorsqu'un modèle performe bien sur les données d'entraînement mais mal sur de nouvelles données invisibles
Explication
Le surapprentissage se produit lorsqu'un modèle de machine learning apprend trop bien les données d'entraînement, y compris leur bruit et leurs valeurs aberrantes, ce qui entraîne une précision élevée sur les données d'entraînement mais une mauvaise généralisation sur les données nouvelles et invisibles. Il s'agit d'un concept fondamental en ML car l'objectif est de créer des modèles qui performent bien sur des données du monde réel, et pas seulement sur les données avec lesquelles ils ont été entraînés. Dans Azure Machine Learning, des techniques telles que la régularisation, la validation croisée et l'arrêt anticipé (early stopping) sont utilisées pour détecter et atténuer le surapprentissage.
Pour aller plus loin
Le surapprentissage se produit lorsqu'un modèle apprend trop bien les données d'entraînement, y compris leur bruit et leurs fluctuations aléatoires, au point de mal performer sur des données nouvelles et invisibles. Cela se produit lorsque le modèle est trop complexe par rapport à la quantité de données d'entraînement, ou lorsque l'entraînement se prolonge trop longtemps sans régularisation. Essentiellement, le modèle mémorise au lieu de généraliser. Un signe subtil est un grand écart entre la précision d'entraînement et la précision de validation. En pratique, le surapprentissage est atténué par des techniques telles que la validation croisée, la régularisation (L1/L2), le dropout, l'arrêt anticipé (early stopping) et l'augmentation des données d'entraînement. Par exemple, un arbre de décision d'une profondeur illimitée peut atteindre une précision d'entraînement de 100 % mais de 60 % sur les tests, ce qui indique un surapprentissage.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.