התאמת-יתר (Overfitting)

התאמת-יתר (Overfitting) היא בעיה נפוצה באימון מודלים: המודל "משנן" את נתוני האימון הספציפיים במקום ללמוד מהם עקרונות כלליים — ואז מצליח מצוין על נתונים שכבר ראה, אבל נכשל על מקרים חדשים שלא נתקל בהם.

אנלוגיה שימושית: תלמיד שמשנן בעל-פה את כל תשובות מבחני העבר, בלי להבין את החומר עצמו — יצליח מצוין אם השאלות יחזרו על עצמן, אבל ייכשל בשאלה חדשה שדורשת הבנה אמיתית, לא רק שינון.

כדי לזהות ולמנוע התאמת-יתר, מפתחי מודלים בודקים ביצועים על "נתוני בדיקה" — דוגמאות שהמודל מעולם לא ראה באימון — ומשווים אותם לביצועים על נתוני האימון עצמם: פער גדול ביניהם הוא הסימן הקלאסי לבעיה.