قدرة النموذج على الأداء الجيد مع بيانات جديدة غير مسبوقة بدلاً من مجرد أمثلة التدريب.التعميم هو قدرة النموذج — سواء كان شبكة عصبية أو دماغًا بيولوجيًا — على الأداء الجيد مع بيانات جديدة غير مسبوقة، بدلاً من مجرد حفظ أمثلة التدريب التي عُرضت عليه. وهو الهدف الأساسي لأي نظام تعلم: فالنموذج الذي يعمل فقط على مجموعة التدريب لم يتعلم النمط الكامن حقًا، بل بالأحرى بالغ في التكيف مع الضوضاء أو الخصائص المحددة للبيانات. في الفيزياء والتعلم الآلي، التعميم هو ما يسمح لشبكة دُرِّبت على مجموعة محدودة من القياسات بالتنبؤ بنتائج لظروف جديدة تمامًا، مثل رسم خرائط توزيع المادة المظلمة من عدسة الجاذبية أو التنبؤ بسلوك الحالات الكمومية للضوء.
تمت صياغة المفهوم في ستينيات وسبعينيات القرن العشرين ضمن نظرية التعلم الإحصائي، ولا سيما على يد فلاديمير فابنيك وأليكسي تشيرفونينكيس، اللذين قدما بُعد فابنيك-تشيرفونينكيس (VC) لقياس قدرة النموذج على التعميم.
ينشأ التعميم عندما يلتقط النموذج الانتظامات الأساسية للبيانات بدلاً من تفاصيلها السطحية. ويتم تحقيق ذلك من خلال تقنيات مثل التنظيم، والتحقق المتبادل، والتدريب على مجموعات بيانات متنوعة تدفع النموذج إلى إيجاد تمثيلات مدمجة وقابلة لإعادة الاستخدام. في الدماغ، يُعتقد أن التعميم يعتمد على تكوين خرائط أو مخططات مجردة يمكن تطبيقها بمرونة على مواقف جديدة، كما يظهر في دراسات كيفية نقل الدماغ للتجارب السابقة إلى سياقات جديدة. المفتاح هو أن النموذج يتعلم ميزات تنبؤية حقيقية عبر مجموعة من المدخلات، وليس فقط تلك التي تصادف أنها تناسب أمثلة التدريب.
التعميم هو ما يجعل الشبكات العصبية مفيدة في الفيزياء، من التنبؤ بخرائط عدسة الجاذبية إلى تصنيف الحالات الكمومية للضوء، وفي الطب، حيث يجب على النماذج المدربة على بيانات غير مكتملة أن تقدم تنبؤات دقيقة لمرضى جدد.
النموذج الذي يحفظ بيانات التدريب بشكل مثالي سيؤدي دائمًا تقريبًا بشكل أسوأ على البيانات الجديدة مقارنة بنموذج أبسط يرتكب بعض الأخطاء على مجموعة التدريب — وهي ظاهرة تعرف بمفاضلة الانحياز والتباين.


















