
تعلم ضوضاء عينة التدريب؛ السبب في أن النموذج الذي يلائم تمامًا قد يتنبأ بشكل سيء.يحدث الإفراط في التلاؤم عندما يصف النموذج الإحصائي الخطأ العشوائي أو الضوضاء بدلاً من العلاقة الأساسية. يؤدي النموذج أداءً جيدًا على بيانات التدريب لكنه ضعيف على البيانات الجديدة غير المرئية. هذه مشكلة مركزية في التعلم الآلي والإحصاء، حيث أن الهدف هو بناء نماذج تعمم، وليس مجرد حفظ.
عُرف هذا المفهوم منذ الأيام الأولى للإحصاء وملاءمة المنحنيات. أصبح مصطلح 'الإفراط في التلاؤم' بارزًا في ستينيات وسبعينيات القرن العشرين مع ظهور الشبكات العصبية وأشجار القرار.
يمكن للنماذج ذات المرونة العالية (مثل تلك التي تحتوي على العديد من المعاملات) أن تلائم بيانات التدريب بشكل شبه مثالي، بما في ذلك خصائصها الفريدة. عندما يكون النموذج معقدًا جدًا مقارنة بكمية البيانات، فإنه يلتقط أنماطًا زائفة غير موجودة في المجتمع الحقيقي. يؤدي هذا إلى تباين عالٍ: تغييرات صغيرة في مجموعة التدريب تسبب تغييرات كبيرة في النموذج. تُستخدم تقنيات مثل التحقق المتقاطع والتنظيم والتقليم لكشف ومنع الإفراط في التلاؤم.
في النمذجة التنبؤية، يُعد الإفراط في التلاؤم مصدر قلق دائم. يستخدم الممارسون مجموعات التحقق والتنظيم لضمان بقاء النماذج مثل تلك المستخدمة في تسجيل الائتمان أو التشخيص الطبي موثوقة مع المرضى الجدد.
النموذج الذي يحفظ بيانات التدريب تمامًا (مثل جدول بحث) لديه خطأ تدريب صفري لكنه عادةً ما يؤدي أداءً لا يختلف عن التخمين العشوائي على البيانات الجديدة—وهذا مثال كلاسيكي على الإفراط في التلاؤم.











