L’overfitting significa che un modello impara a memoria gli esempi di addestramento e va male sui casi nuovi.
Esempio
Un modello riconosce perfettamente tutte le foto dell’addestramento, ma sbaglia con foto in una luce diversa.
Per esperti
Lo si riconosce quando l’errore sui dati di test sale mentre quello sui dati di addestramento scende. Rimedi: più dati e più vari, regolarizzazione e interrompere prima l’addestramento. Anche i benchmark possono subire «overfitting» se le domande di test finiscono nei dati di addestramento.
