Memahami Fitur yang Berlebihan dalam Pembelajaran Mesin

Kelengkapan yang berlebihan mengacu pada situasi ketika model atau serangkaian fitur terlalu kompleks dan menangkap lebih banyak variasi data daripada yang diperlukan. Dengan kata lain, model atau fitur mampu menyesuaikan noise pada data, bukan pola yang mendasarinya. Hal ini dapat menyebabkan kinerja generalisasi yang buruk pada data baru, karena model menjadi terlalu terspesialisasi pada data pelatihan.

Dalam konteks pemilihan fitur, kelengkapan yang berlebihan mengacu pada situasi di mana terdapat lebih banyak fitur daripada yang diperlukan untuk menangkap variasi penting dalam data . Misalnya, jika suatu model memiliki 100 fitur namun hanya 20 fitur yang benar-benar relevan dengan masalah, maka 80 fitur lainnya dianggap terlalu lengkap.