Zrozumienie przepełnionych funkcji uczenia maszynowego

Przepełnienie odnosi się do sytuacji, w której model lub zestaw funkcji jest zbyt złożony i wychwytuje więcej zmian w danych, niż jest to konieczne. Innymi słowy, model lub funkcje są w stanie dopasować szum do danych, a nie do leżących u ich podstaw wzorców. Może to prowadzić do słabej wydajności generalizacji nowych danych, ponieważ model staje się nadmiernie wyspecjalizowany w odniesieniu do danych uczących.

W kontekście wyboru funkcji określenie „przepełnienie” odnosi się do sytuacji, w której istnieje więcej funkcji, niż jest to potrzebne do uchwycenia ważnych różnic w danych . Na przykład, jeśli model ma 100 funkcji, ale tylko 20 z nich jest naprawdę istotnych dla problemu, wówczas pozostałe 80 funkcji uważa się za niekompletne.