Overfitting คืออะไร? คำอธิบายสำหรับมือใหม่
Overfitting คือภาวะที่โมเดล machine learning ฟิตกับข้อมูลฝึกอบรมแน่นเกินไป รวมถึงสัญญาณรบกวนและรายละเอียดสุ่ม ทำให้แม่นยำสูงบนข้อมูลฝึกอบรมแต่ทำงานได้ไม่ดีบนข้อมูลใหม่
ภาษาง่าย ๆ
ลองนึกภาพนักเรียนที่ท่องจำข้อสอบและคำตอบทุกข้อ เมื่อเจอข้อเดิมก็ได้คะแนนดี แต่พอเจอคำถามใหม่ที่ต่างไปเล็กน้อยกลับตอบไม่ได้ นั่นคือภาพของ overfitting
สามสภาวะของโมเดล
| สภาวะ | ข้อมูลฝึกอบรม | ข้อมูลใหม่ | ปัญหา |
|---|---|---|---|
| Underfitting | แย่ | แย่ | ง่ายเกินไป |
| สมดุล | ดี | ดี | เหมาะสม |
| Overfitting | ดี | แย่ | ท่องจำสัญญาณรบกวน |
สาเหตุที่พบบ่อย
โมเดลซับซ้อนเกินไป ข้อมูลน้อยเกินไป หรือฝึกนานเกินไป อาจทำให้โมเดลเรียนรู้สัญญาณรบกวนแทนรูปแบบทั่วไป
วิธีแก้
Regularization การเพิ่มข้อมูล การลดความซับซ้อนของโมเดล และการหยุดฝึกแต่เนิ่น ๆ เป็นวิธีที่ใช้กันทั่วไป
ข้อจำกัด
การตรวจหา overfitting ต้องใช้ชุดตรวจสอบแยกต่างหาก เพราะคะแนนบนข้อมูลฝึกอบรมเพียงอย่างเดียวไม่ได้บอกว่าโมเดลจะ generalize ได้หรือไม่
FAQ
Underfitting คืออะไร?
ภาวะที่โมเดลง่ายเกินไปจนจับรูปแบบสำคัญไม่ได้
สัญญาณรบกวน (noise) คืออะไร?
ความผันผวนสุ่มหรือข้อผิดพลาดในข้อมูล ไม่ใช่รูปแบบจริง
เหตุใดคะแนนฝึกอบรมสูงจึงยังไม่พอ?
โมเดลอาจท่องจำข้อมูลแล้วทำงานแย่บนข้อมูลใหม่
Regularization มีบทบาทอะไร?
จำกัดความซับซ้อนของโมเดลเพื่อช่วยให้ generalize ดีขึ้น
สรุป
- Overfitting ท่องจำข้อมูลฝึกอบรมรวมถึงสัญญาณรบกวน
- คะแนนฝึกอบรมสูง แต่ข้อมูลใหม่ต่ำ
- Regularization และการเพิ่มข้อมูลช่วยแก้ไข
- ต้องใช้ชุดตรวจสอบแยกต่างหากในการตรวจหา
อ่านต่อ [supervised learning คืออะไร](supervised-learning-khue-arai) และ [reinforcement learning คืออะไร](reinforcement-learning-khue-arai).
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free