जब हम इसका निरीक्षण करते हैं तो ओवरफिटिंग अपेक्षित होती है?

सही उत्तर है प्रशिक्षण पुनरावृत्तियों के साथ प्रशिक्षण सेट पर त्रुटि कम हो जाती है लेकिन परीक्षण सेट बढ़ जाता है

प्रमुख बिंदु

• ओवरफिटिंग मॉडल प्रशिक्षण डेटा को बहुत अच्छी तरह से सीखता है, शोर या मामूली उतार-चढ़ाव को कैप्चर करता है।
• यह प्रशिक्षण डेटा पर अच्छा प्रदर्शन करता है लेकिन अदृश्य डेटा पर खराब प्रदर्शन करता है क्योंकि इसने अंतर्निहित पैटर्न को समझने के बजाय अनिवार्य रूप से प्रशिक्षण सेट को ' याद ' कर लिया है। ओवरफिटिंग का वर्णन करने वाला विकल्प है: 2) प्रशिक्षण पुनरावृत्तियों के साथ, प्रशिक्षण सेट पर त्रुटि कम हो जाती है लेकिन परीक्षण सेट पर त्रुटि बढ़ जाती है।
• ओवरफिटिंग में, मॉडल प्रशिक्षण डेटा को बहुत बारीकी से फिट करना शुरू कर देता है, प्रशिक्षण सेट में शोर और विशिष्ट पैटर्न को कैप्चर करता है जो नए, अनदेखे डेटा के लिए अच्छी तरह से सामान्यीकृत नहीं हो सकता है।
• परिणामस्वरूप, परीक्षण सेट पर मॉडल का प्रदर्शन ख़राब हो जाता है, भले ही प्रशिक्षण सेट पर इसमें सुधार जारी रहता है।

​

अतिरिक्त जानकारी

• अंडरफ़िटिंग : मॉडल बहुत सरल है और डेटा की अंतर्निहित संरचना को सीखने में विफल रहता है। परिणामस्वरूप, यह प्रशिक्षण डेटा और नए, अनदेखे डेटा दोनों पर खराब प्रदर्शन करता है क्योंकि यह आवश्यक जटिलता को पकड़ नहीं पाता है।
• मशीन लर्निंग में लक्ष्य नए डेटा को अच्छी तरह से सामान्यीकृत करने के लिए मॉडल के लिए ओवरफिटिंग और अंडरफिटिंग के बीच संतुलन ढूंढना है।