Overfitting: differenze tra le versioni

Versione delle 13:09, 5 dic 2018

Versione delle 15:46, 3 mar 2019

Riga 3:

[[File:Overfitted Data.png|thumb|upright=1.4|Una serie di dati all'incirca lineare (ma affetta da rumore), approssimabile sia da una [[funzione lineare]] sia da una [[interpolazione polinomiale]]. Nonostante quella polinomiale si adatti in modo perfetto ai dati, ci si aspetta che la versione lineare debba rappresentare una migliore generalizzazione: quindi, in un'estrapolazione al di fuori dei dati conosciuti la funzione lineare fornirebbe migliori [[Previsione|predizioni]].]]

[[File:Overfitting svg.svg|thumb|upright=1.4|La curva blu mostra l'andamento dell'errore nel classificare i dati di ''training'', mentre la curva rossa mostra l'errore nel classificare i dati di ''test'' o ''validazione''. Una situazione in cui il secondo aumenta mentre il primo diminuisce è indice della possibile presenza di un caso di ''overfitting''.]]

In [[statistica]] e in [[informatica]], si parla di '''''overfitting''''' (in [[lingua italiana|italiano]]: '''adattamento eccessivo''', '''sovradattamento''') quando un [[modello statistico]] molto complesso si adatta ai dati osservati (il [[Campionamento statistico|campione]]) perché ha un numero eccessivo di parametri rispetto al numero di osservazioni.

Riga 16:

== Contromisure ==

Sia nella statistica sia nel ''[[machineApprendimento learningautomatico|apprendimento automatico]]'', per prevenire ed evitare l<nowiki>'</nowiki>''overfitting'' è necessario mettere in atto particolari accorgimenti tecnici, come la [[cross-validationConvalida incrociata|convalidazione incrociata]] e l'[[Arresto anticipato (statistica)|arresto anticipato]], che indicano quando un ulteriore allenamento non porterebbe a una migliore generalizzazione.

Nel [[treatment learning|''treatment learning'']] si evita l<nowiki>'</nowiki>''overfitting'' utilizzando il valore di supporto migliore e minimale.

{{Portale|matematica|informatica|statistica}}