Data & ML
Overfitting
Aussi : surapprentissage
En clair
Le surapprentissage arrive quand un modèle colle trop aux exemples d’entraînement et rate les cas nouveaux. Il a mémorisé des détails particuliers — y compris le bruit — au lieu d’apprendre des régularités utiles. Sur le jeu connu, les scores sont excellents ; dès que les données changent un peu, les performances chutent. C’est l’illusion d’un modèle « qui marche ».
Concrètement
Un détecteur d’anomalies parfait sur les incidents de janvier, mais aveugle en mars après un changement de process, montre un surapprentissage.
Pourquoi ça compte
Un modèle surentraîné rassure en démo et déçoit en conditions réelles. D’où l’importance de jeux de test séparés et représentatifs du terrain.
Définition technique
Quand un modèle mémorise le train set et généralise mal hors distribution.