Bonne réponse
Explication
Le modèle obtient d'excellents résultats sur les données d'entraînement (99% de précision) mais de piètres résultats sur les données de test non vues (70% de précision), ce qui constitue le symptôme classique du surapprentissage (overfitting). Le surapprentissage se produit lorsque le modèle apprend le bruit et les motifs spécifiques de l'ensemble d'entraînement au lieu de généraliser à de nouvelles données, souvent en raison d'une complexité excessive du modèle ou d'une régularisation insuffisante.
Pour aller plus loin
Overfitting se produit lorsqu'un modèle capture le bruit et les particularités de l'ensemble d'entraînement plutôt que le signal sous-jacent, de sorte que la précision d'entraînement augmente tandis que la généralisation stagne. Avec 10 000 e-mails et un classificateur à haute capacité, le réseau peut mémoriser des combinaisons de jetons rares qui ne corrèlent avec les étiquettes que par coïncidence, produisant l'écart de 99% par rapport à 70%. La décomposition biais-variance formule cela comme un biais faible et une variance élevée : le modèle s'adapte étroitement aux données d'entraînement mais ses prédictions varient nettement selon les rééchantillonnages. Les solutions incluent la régularisation (L2, dropout), l'arrêt précoce (early stopping) sur une division de validation, la réduction de la capacité du modèle ou l'augmentation des données. Lors du déploiement d'un filtre anti-spam, un tel modèle classerait mal les e-mails légitimes dont la formulation ressemble à celle du spam d'entraînement, nuisant à la délivrabilité.
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.