English
Overfitting is when a model learns the training data too closely, including its noise and quirks, so it performs well on that data but poorly on new, unseen data. It is usually fixed with more data, regularization, or a simpler model.
Overfitting is a model learning its training examples so closely that it captures their noise along with their pattern, and then performing worse on anything new. It is the central failure mode of supervised learning, and the reason results are always reported on data the model has not seen. In practice it is why a benchmark score on public data is weaker evidence than it looks, the test may have leaked into the training corpus.
Accuracy of 99% on training data and 62% on held-out data indicates overfitting.
العربية
التخصيص المفرط هو أن يتعلّم النموذج بيانات التدريب بدقة مبالغ فيها، بما في ذلك ضوضاؤها وشذوذها، فيؤدي جيداً على تلك البيانات لكنه يضعف على بيانات جديدة لم يرَها. يُعالَج عادة بمزيد من البيانات أو تقنيات التنظيم أو تبسيط النموذج.
التخصيص المفرط أن يتعلم النموذج أمثلته التدريبية تعلماً شديد الالتصاق حتى يلتقط ضجيجها مع نمطها، ثم يسوء أداؤه على كل جديد. وهو نمط الفشل المركزي في التعلم الخاضع للإشراف، والسبب في أن النتائج تُعلن دائماً على بياناتٍ لم يرها النموذج. وعملياً هو ما يجعل نتيجة اختبارٍ معياريٍّ على بياناتٍ عامة دليلاً أضعف مما يبدو، إذ قد يكون الاختبار قد تسرّب إلى مدونة التدريب.
دقةٌ بنسبة 99% على بيانات التدريب و62% على البيانات المحجوزة تدل على تخصيصٍ مفرط.
Also known as
- overfit
- over-fitting
- الإفراط في التخصيص
- الأوفرفيتينغ
Also seen as, but not recommended
- فرط التخصيص
- الإفراط في الملاءمة
Why this form: «الإفراط في الملاءمة» is a literal calque of 'over-fitting' and reads awkwardly in running Arabic prose.