过拟合

overfitting

模型过度贴合训练数据的细节,导致在新数据上表现下降的现象。

3篇文章最近提及

过拟合(overfitting)是指机器学习模型过度贴合训练数据,学到的不是数据中的一般规律,而是噪声和偶然特征的现象。其结果是模型在训练数据上表现良好,但在未见过的数据上性能下降。相反,模型过于简单以致连训练数据都无法很好拟合的现象称为欠拟合(underfitting)。

过拟合通常在数据量相对于模型复杂度过少或训练时间过长时出现。为防止过拟合,通常使用与训练集分离的验证数据来衡量性能,并采用正则化、dropout、早停、数据增强等技术。针对同一基准测试反复调整模型或系统,使其只适应该基准的现象也被称为过拟合。

本条目依据AIPOST的文章与广为人知的事实整理。如有错误,请通过更正请求告诉我们。

涉及该条目的文章

  • 产品经理40分钟用Claude Code搭出客户回访智能体AI应用 ·

    把提示词过度拟合到僵硬的评分表会产出生硬的消息;把一次失败当作完整重新生成的上下文,既保留了自然的推理,又修正了具体缺陷。

    阅读文章
  • 前沿模型降本提质:提示词审计、缓存与评测三步法AI应用 ·

    风险在于过拟合。

    阅读文章
  • 自我改进AI智能体的架构:双循环、版本化与密封评估器AI应用 ·

    一个版本接一个版本地针对同一个静态基准优化,会导致过拟合。

    阅读文章

发现说明有误或找不到条目?

百科说明依据AIPOST的文章与广为人知的事实整理。如有错误,请通过更正请求告诉我们,我们会核实并修改。新文章中出现的名称会在文章发布后加入百科。