Que signifie "Sur-apprentissage"?
Table des matières
Le surapprentissage, c’est un problème courant en apprentissage automatique, quand un modèle apprend trop de choses à partir des données d’entraînement. Au lieu de capter les motifs généraux, il s’accroche au bruit ou aux détails qui n’ont pas d’importance pour de nouvelles données. Du coup, le modèle peut très bien fonctionner sur l’ensemble d’entraînement mais vraiment mal sur des données nouvelles ou différentes.
Signes de surapprentissage
- Haute Précision d’Entraînement : Le modèle affiche une super précision sur les données sur lesquelles il a été formé.
- Basse Précision de Test : Quand on le teste sur de nouvelles données, la précision chute de manière significative.
Pourquoi c’est important
Le surapprentissage, c’est un souci parce que ça veut dire que le modèle n’apprend pas vraiment ce qu’il devrait. Au lieu d’être utile pour faire des prédictions dans le monde réel, le modèle ne fait que mémoriser les données d’entraînement.
Façons de réduire le surapprentissage
- Augmentation de Données : Modifier un peu les données d’entraînement pour donner plus d’exemples.
- Régularisation : Ajouter une pénalité au modèle pour l’empêcher de devenir trop complexe.
- Apprentissage par Ensemble : Combiner plusieurs modèles pour améliorer la performance globale.
- Utilisation de Fonctions de Perte Différentes : Essayer de nouvelles méthodes pour guider le processus d’entraînement plus efficacement.
En s'attaquant au surapprentissage, les modèles peuvent mieux performer sur de nouvelles données, ce qui les rend plus fiables pour une utilisation pratique.