ओवरफिटिंग (Overfitting) क्या है? सरल व्याख्या
ओवरफिटिंग (overfitting) वह स्थिति है जब मशीन लर्निंग मॉडल प्रशिक्षण डेटा के बहुत निकट फिट हो जाता है, जिसमें शोर और यादृच्छिक विवरण भी शामिल हो जाते हैं, जिससे प्रशिक्षण डेटा पर सटीकता अधिक पर नए डेटा पर प्रदर्शन कम हो जाता है।
सरल भाषा में
कल्पना कीजिए एक छात्र सभी अभ्यास प्रश्न और उत्तर रट लेता है। वही प्रश्न आने पर अच्छे अंक आते हैं, पर थोड़े अलग नए प्रश्न पर वह अटक जाता है। यही ओवरफिटिंग की तस्वीर है।
मॉडल की तीन स्थितियाँ
| स्थिति | प्रशिक्षण डेटा | नया डेटा | समस्या |
|---|---|---|---|
| Underfitting | खराब | खराब | बहुत सरल |
| संतुलित | अच्छा | अच्छा | उपयुक्त |
| Overfitting | अच्छा | खराब | शोर रटना |
सामान्य कारण
मॉडल बहुत जटिल होना, डेटा बहुत कम होना, या बहुत देर तक प्रशिक्षण, मॉडल को वास्तविक पैटर्न के बजाय शोर सीखा सकता है।
समाधान
रेगुलराइज़ेशन, अधिक डेटा, मॉडल को सरल बनाना और जल्दी प्रशिक्षण रोकना आम तरीके हैं।
सीमाएँ
ओवरफिटिंग पहचानने के लिए अलग validation डेटा चाहिए, क्योंकि केवल प्रशिक्षण स्कोर यह नहीं बताता कि मॉडल generalize करेगा या नहीं।
FAQ
अंडरफिटिंग क्या है?
मॉडल के बहुत सरल होने से वह ज़रूरी पैटर्न नहीं पकड़ पाता।
शोर (noise) क्या है?
डेटा में यादृच्छिक उतार-चढ़ाव या त्रुटि, जो वास्तविक पैटर्न नहीं है।
उच्च प्रशिक्षण स्कोर पर्याप्त क्यों नहीं?
मॉडल डेटा रट सकता है और नए डेटा पर खराब हो सकता है।
रेगुलराइज़ेशन की क्या भूमिका है?
मॉडल जटिलता सीमित करके generalization में मदद करना।
मुख्य बातें
- ओवरफिटिंग में शोर समेत प्रशिक्षण डेटा रट लिया जाता है।
- प्रशिक्षण स्कोर अधिक, नए डेटा पर स्कोर कम।
- रेगुलराइज़ेशन और अधिक डेटा मदद करते हैं।
- पहचान के लिए अलग validation डेटा ज़रूरी है।
आगे पढ़ें मशीन लर्निंग क्या है और क्रॉस वैलिडेशन क्या है।
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free