Overfitting Là Gì? Giải Thích Cho Người Mới Bắt Đầu
Overfitting (quá khớp) là hiện tượng mô hình học máy bám quá sát dữ liệu huấn luyện, gồm cả nhiễu và chi tiết ngẫu nhiên, khiến độ chính xác cao trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới.
Phiên bản đơn giản
Hãy tưởng tượng học sinh chỉ học thuộc đáp án của bộ đề ôn tập mà không hiểu bản chất. Gặp câu hỏi diễn đạt khác một chút, học sinh dễ trả lời sai. Đó là hình ảnh của overfitting.
Ba trạng thái mô hình
| Trạng thái | Dữ liệu huấn luyện | Dữ liệu mới | Vấn đề |
|---|---|---|---|
| Underfitting | Kém | Kém | Quá đơn giản |
| Cân bằng | Tốt | Tốt | Phù hợp |
| Overfitting | Tốt | Kém | Học thuộc nhiễu |
Nguyên nhân thường gặp
Mô hình quá phức tạp, dữ liệu quá ít, hoặc huấn luyện quá lâu có thể khiến mô hình học nhầm nhiễu thay vì quy luật chung.
Cách khắc phục
Hiệu chỉnh (regularization), thêm dữ liệu, đơn giản hóa mô hình và dừng huấn luyện sớm là những cách thường dùng.
Hạn chế
Việc phát hiện overfitting cần tập kiểm định riêng, vì điểm trên dữ liệu huấn luyện không cho biết mô hình có tổng quát hóa hay không.
FAQ
Underfitting là gì?
Trạng thái mô hình quá đơn giản để nắm bắt quy luật quan trọng.
Nhiễu là gì?
Biến động ngẫu nhiên hoặc sai sót trong dữ liệu, không phải quy luật thật.
Vì sao điểm huấn luyện cao chưa đủ?
Mô hình có thể học thuộc dữ liệu mà làm việc kém trên dữ liệu mới.
Regularization có vai trò gì?
Giới hạn độ phức tạp để mô hình tổng quát hóa tốt hơn.
Điểm chính
- Overfitting học thuộc dữ liệu huấn luyện gồm cả nhiễu.
- Điểm huấn luyện cao, điểm dữ liệu mới thấp.
- Regularization và thêm dữ liệu giúp khắc phục.
- Cần tập kiểm định riêng để phát hiện.
Tiếp tục đọc học có giám sát là gì và học tự giám sát là gì.
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free