Машинско учење: важност генерализације

У контексту машинског учења, „негенерализовано“ се односи на модел који није обучен на различитим скуповима података. Генерализовани модел је онај који може да обрађује широк спектар улазних података и даје тачна предвиђања за нове, невидљиве податке. Негенерализовани модел, с друге стране, може добро да функционише само на специфичним подацима на којима је обучен и можда неће добро да се генерализује на нове податке.ӕӕНа пример, ако обучавате модел машинског учења на скупу података који се састоји само од примера из једног специфичном домену (нпр. слике мачака), модел може постати претерано прилагођен том домену и неће успети да се генерализује на нове примере из различитих домена (нпр. пси). У овом случају, за модел се каже да није генерализован јер није обучен на различитом скупу података.ӕӕДа би се избегло преоптерећање и побољшала генерализација модела машинског учења, важно је користити разноврстан скуп података за обуку који представља широк спектар улаза и излаза. Ово може помоћи моделу да научи више уопштених карактеристика и образаца који се могу применити на нове, невидљиве податке.