Przejdź do treści
promptowy.com / AI-ordbog / Overfitting (overtilpasning)
Modeller og træning

Overfitting (overtilpasning)

Overfitting opstår, når en AI-model lærer sine træningsdata udenad i stedet for at finde de generelle mønstre, så den fejler på nye data.

Overfitting, på dansk kaldet overtilpasning, er et klassisk fænomen inden for maskinlæring, hvor en computermodel tilpasser sig sine træningsdata alt for præcist. I stedet for at lære de overordnede sammenhænge og mønstre i informationerne kommer modellen til at memorere detaljer, støj og tilfældigheder i det datasæt, den er blevet fodret med.

Resultatet er en model, der klarer sig fremragende i testsituationen på kendt materiale, men som fejler markant, så snart den møder virkeligheden. I hverdagen svarer det til en studerende, der lærer de konkrete spørgsmål og svar fra et tidligere eksamenssæt udenad ord for ord: Hvis den nye eksamen indeholder de nøjagtigt samme opgaver, får den studerende topkarakter, men hvis ordlyden eller tallene blot ændres en lille smule, falder præstationen helt fra hinanden.

Hvordan overtilpasning sker bag kulisserne

Når en algoritme trænes, justerer den sine interne parametre for at minimere fejl. Hvis modellen er meget kompleks, og træningstiden er for lang, finder den små, tilfældige variationer i træningsdatasættet og ophøjer dem til faste regler. Modellen mister derved evnen til generalisering, som ellers er hele formålet med kunstig intelligens.

I store sprogmodeller viser overtilpasning sig ofte ved, at modellen gengiver lange tekststykker ordret fra kildematerialet i stedet for at formulere et sammenhængende, nyt svar. Modellen har i realiteten gemt en kopi af træningsteksten i sit netværk snarere end at forstå den underliggende logik.

Et lokalt eksempel: Bageriet i Aarhus

Forestil dig et lokalt bageri i Aarhus, der vil bruge maskinlæring til at forudsige, hvor mange surdejsbrød og kanelsnegle der bliver solgt på en given dag. Bageren fodrer modellen med data fra det seneste år: ugedag, temperatur, regnvejr, lokale begivenheder og faktiske salgstal.

Hvis modellen rammes af overfitting, kigger den måske på en tirsdag i november, hvor der tilfældigvis blev solgt usædvanligt mange kanelsnegle, fordi en skoleklasse fra den lokale folkeskole pludselig kom forbi på udflugt. Modellen konkluderer fejlagtigt, at præcis tirsdage med seks graders varme og let vind fra vest altid kræver dobbelt produktion af kanelsnegle. Den skelner ikke mellem reel efterspørgsel og en engangsforestilling.

Når bageren efterfølgende bruger systemet til planlægning, vil butikken opleve store mængder madspild på lignende tirsdage, fordi modellen har overfortolket støjen i de historiske data som en universel sandhed.

Sådan modvirker og opdager man overfitting

For at sikre, at en model er robust og fungerer pålideligt i praksis, benytter dataforskere og udviklere en række faste metoder under udviklingen:

  • Opdeling af data: Man deler altid sine data op i træningsdata, valideringsdata og testdata. Modellen må aldrig trænes på de data, den til sidst evalueres på.
  • Krydsvalidering: Ved at teste modellen på skiftende udsnit af data sikrer man, at den ikke blot er heldig med en enkelt datakombination.
  • Early stopping: Træningen stoppes automatisk i det øjeblik, hvor fejlen på valideringsdata begynder at stige, selvom fejlen på træningsdata stadig falder.
  • Regularisering: Matematiske begrænsninger straffer modellen for at gøre sig selv for kompleks eller give for stor vægt til enkelte parametre.
  • Større datamængde og variation: Jo mere varieret materiale modellen præsenteres for, desto sværere er det for den at bide sig fast i tilfældige detaljer.

Den typiske misforståelse

En udbredt fejlopfattelse blandt begyndere er, at en model med hundrede procents nøjagtighed under træningen er en perfekt model. I virkelighedens maskinlæring er en fejlprocent på nul under træning næsten altid et advarselstegn. Det betyder stort set altid, at modellen har memoreret svarene i stedet for at lære mekanismen. God kunstig intelligens handler ikke om perfekt gengivelse af fortiden, men om pålidelig vurdering af fremtiden.

Ofte stillede spørgsmål

Hvordan ved jeg, om min model lider af overfitting?

Det tydeligste tegn er en stor kløft i ydeevne: Modellen scorer tæt på perfekt på træningsdataene, men leverer markant dårligere resultater på nye valideringsdata.

Hvad er forskellen på overfitting og underfitting?

Ved overfitting er modellen for kompleks og husker detaljer udenad, mens underfitting betyder, at modellen er for simpel til overhovedet at opfange de grundlæggende mønstre i dataene.

Hvorfor er overfitting problematisk for sprogmodeller?

Når en sprogmodel overfitter, kan den utilsigtet lække private informationer fra træningsmaterialet og vil have svært ved at formulere nuancerede svar på nye spørgsmål.

← Alle begreber i AI-ordbogen

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›