Overfitting: differenze tra le versioni

Versione delle 12:18, 30 mar 2021

Versione delle 22:09, 23 giu 2021

Riga 1:

{{F|Informaticastatistica|novembre 2016}}

{{S|statistica}}

[[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]].]]

Riga 7:

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.

Un modello assurdo e sbagliato può adattarsi perfettamente se è abbastanza complesso rispetto alla quantità di dati disponibili.

Si sostiene che l'''overfitting'' sia una violazione del principio del [[rasoio di Occam]].

Riga 16:

== Contromisure ==

Sia nella statistica sia nel [[apprendimento automatico]], per prevenire ed evitare l<nowiki>'</nowiki>''overfitting'' è necessario mettere in atto particolari accorgimenti tecnici, come la [[Convalida 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]] si evita l'overfitting utilizzando il valore di supporto migliore e minimale.