Apprentissage automatique : l'importance de la généralisation

Dans le contexte de l'apprentissage automatique, « non généralisé » fait référence à un modèle qui n'a pas été formé sur un ensemble diversifié de données. Un modèle généralisé est capable de gérer un large éventail d’entrées et de produire des prédictions précises pour de nouvelles données invisibles. En revanche, un modèle non généralisé peut fonctionner correctement uniquement sur les données spécifiques sur lesquelles il a été formé et ne pas se généraliser correctement à de nouvelles données.

Par exemple, si vous entraînez un modèle d'apprentissage automatique sur un ensemble de données composé uniquement d'exemples d'un domaine spécifique (par exemple, les images de chats), le modèle peut devenir surajusté à ce domaine et ne pas parvenir à se généraliser à de nouveaux exemples provenant de différents domaines (par exemple, les chiens). Dans ce cas, le modèle est dit non généralisé car il n'a pas été formé sur un ensemble diversifié de données.

Pour éviter le surajustement et améliorer la généralisation d'un modèle d'apprentissage automatique, il est important d'utiliser un ensemble diversifié de données d'entraînement qui représentent une large gamme d'entrées et de sorties. Cela peut aider le modèle à apprendre des fonctionnalités et des modèles plus généralisables qui peuvent être appliqués à de nouvelles données invisibles.