Pochopení překompletovaných funkcí ve strojovém učení

Overcomplete označuje situaci, kdy je model nebo sada funkcí příliš složitá a zachycuje více odchylek v datech, než je nutné. Jinými slovy, model nebo funkce jsou schopny přizpůsobit šum v datech spíše než základní vzory. To může vést ke špatnému výkonu zobecnění na nových datech, protože model se příliš specializuje na trénovací data.……V kontextu výběru prvků se překompletováním rozumí situace, kdy existuje více prvků, než je potřeba k zachycení důležitých odchylek v datech. . Pokud má například model 100 funkcí, ale pouze 20 z nich je skutečně relevantních pro daný problém, pak je dalších 80 funkcí považováno za přeplněných.