मशीन लर्निंग में अपूर्ण सुविधाओं को समझना

ओवरकंप्लीट उस स्थिति को संदर्भित करता है जहां एक मॉडल या सुविधाओं का एक सेट बहुत जटिल है और डेटा में आवश्यकता से अधिक भिन्नता को कैप्चर करता है। दूसरे शब्दों में, मॉडल या सुविधाएँ अंतर्निहित पैटर्न के बजाय डेटा में शोर को फिट करने में सक्षम हैं। इससे नए डेटा पर खराब सामान्यीकरण प्रदर्शन हो सकता है, क्योंकि मॉडल प्रशिक्षण डेटा के लिए अत्यधिक विशिष्ट हो जाता है। फीचर चयन के संदर्भ में, ओवरकंप्लीट एक ऐसी स्थिति को संदर्भित करता है जहां डेटा में महत्वपूर्ण विविधताओं को पकड़ने के लिए आवश्यकता से अधिक सुविधाएं होती हैं। . उदाहरण के लिए, यदि किसी मॉडल में 100 विशेषताएं हैं लेकिन उनमें से केवल 20 ही वास्तव में समस्या के लिए प्रासंगिक हैं, तो अन्य 80 सुविधाओं को अतिपूर्ण माना जाता है।