Yfirfitt

Yfirfitt, eða overfitting, er fyrirbæri í gagnavinnslu og tölvunarfræði þar sem líkani lærir mynstur sem eru til staðar aðeins í þjálfunargögnum og endurtalar þau frekar en að læra almenna reglu eða mynstur í gögnunum. Sem afleiðing nær líkanið mjög góðum árangri á þjálfun, en gengur hvorki vel á nýjum eða óþekktum gögnum. Yfirfitt markar oft upp á háa tilviða háa misskilning á almennri fyrirbæraþekkingu og eykur generalization error.

Orsök yfirfitts felast helst í of flókin líkan miðað við gagnamagnið, of mörgum eiginleikum eða of mikilli þjálfun; auk þess getur tilvist ryk (noise) í gögnum aukið líkur á að líkanið lærir tilvik sem eru ekki almennt gild. Einkenni eru mikill munur á árangri milli þjálfunar og prófunar, of mikil eftirtekt á nákvæmni fyrir nákvæmni í þjálfunarferlinu, eða líkanið sem lærir fyrirbæri sem eru fá, háð eða tilviljun.

Meðferð við yfirfitti inniheldur ýmis aðgerðir til að bæta almennann generalization: aukið gagnamagn, gagnasöfnun og gervigreiningu (data augmentation); notkun reglunar eins og L1- eða L2-reglugerð; early stopping til að hætta þjálfun áður en of mikil lærð myndast; einföldun líkana eða einfalda eiginleika (feature selection); kross-skoðun til að meta líkanshæfi; dropout í neðri lagum djúpnetla; og prunning eða minnkun flókinna laga. Yfirfitt er oft háð tengslum birtingar og er andstæða undirfitts, sem felur í sér að líkanið fái of þröngt speglun af gögnunum.