RAS प्रश्न
मशीन लर्निंग में, 'ओवरफिटिंग' से क्या आशय है?
सही उत्तर: (C) ऐसा मॉडल जो प्रशिक्षण डेटा को शोर सहित रट लेता है और पहले न देखे गए डेटा पर खराब प्रदर्शन करता है।
मशीन लर्निंग में ओवरफिटिंग वह स्थिति है जिसमें मॉडल प्रशिक्षण डेटा, उसके शोर सहित, इतना ज्यादा सीख लेता है कि नए या अनदेखे डेटा पर उसका प्रदर्शन कमजोर हो जाता है।
व्याख्या
ओवरफिटिंग में मॉडल प्रशिक्षण डेटा से बहुत ज्यादा चिपक जाता है। वह केवल मुख्य पैटर्न नहीं सीखता, बल्कि डेटा में मौजूद शोर और संयोगी उतार-चढ़ाव भी पकड़ लेता है। इसलिए प्रशिक्षण डेटा पर उसकी सटीकता ऊंची दिख सकती है, लेकिन जब वही मॉडल नए या अनदेखे डेटा पर लगाया जाता है तो वह ठीक भविष्यवाणी या वर्गीकरण नहीं कर पाता। IBM के अनुसार, मशीन लर्निंग मॉडल का असली उद्देश्य नए डेटा पर सामान्यीकरण करना है; ओवरफिटिंग इसी उद्देश्य को कमजोर करती है। टेस्ट सेट, क्रॉस-वैलिडेशन, रेगुलराइजेशन और ड्रॉपआउट जैसी विधियां इसी समस्या को पहचानने या घटाने में मदद करती हैं।
बाक़ी विकल्प ग़लत क्यों हैं
- (A) बहुत कम प्रशिक्षण डेटा ओवरफिटिंग में योगदान दे सकता है, लेकिन ओवरफिटिंग की परिभाषा कम डेटा इस्तेमाल करना नहीं, बल्कि प्रशिक्षण डेटा को शोर सहित जरूरत से ज्यादा सीख लेना है।
- (B) डेटा से कोई पैटर्न न सीख पाना अंडरफिटिंग की स्थिति है, जबकि ओवरफिटिंग में मॉडल पैटर्न के साथ बेकार शोर तक सीख लेता है।
- (D) प्रशिक्षण और परीक्षण दोनों डेटा पर अच्छा प्रदर्शन सामान्यीकरण दिखाता है, जबकि ओवरफिटिंग में प्रशिक्षण प्रदर्शन अच्छा और नए डेटा पर प्रदर्शन कमजोर होता है।
अवधारणा
यह प्रश्न मशीन लर्निंग में मॉडल सामान्यीकरण, प्रशिक्षण डेटा और परीक्षण डेटा के फर्क को जांचता है। RAS में विज्ञान एवं प्रौद्योगिकी के भीतर कृत्रिम बुद्धिमत्ता से जुड़े बुनियादी शब्द इसलिए बार-बार आते हैं क्योंकि वे नीति, शासन और डिजिटल सेवाओं की समझ से सीधे जुड़े हैं।