[{"data":1,"prerenderedAt":112},["ShallowReactive",2],{"glossary-tr-overfitting":3},{"id":4,"title":5,"body":6,"description":100,"extension":101,"meta":102,"navigation":107,"path":108,"seo":109,"stem":110,"__hash__":111},"sozluk\u002Fsozluk\u002Foverfitting.md","Overfitting (Aşırı Öğrenme) ve Genelleme Nedir?",{"type":7,"value":8,"toc":89},"minimark",[9,14,22,27,33,37,59,63,74,78,81],[10,11,13],"h2",{"id":12},"overfitting-nedir","Overfitting Nedir?",[15,16,17,21],"p",{},[18,19,20],"strong",{},"Overfitting (aşırı öğrenme)",", modelin eğitim verisindeki genel kalıpları değil, o veriye özgü ayrıntıları ve gürültüyü ezberlemesidir. Eğitim skoru yükselmeye devam ederken doğrulama skoru durur ya da düşer.",[23,24,26],"h3",{"id":25},"genelleme","Genelleme",[15,28,29,30,32],{},"Asıl hedef ",[18,31,25],{},": modelin hiç görmediği veride de iyi çalışması. Endüstriyel projelerde bu, yeni bir tarla, yeni bir makine ya da gelecek ay demektir.",[23,34,36],{"id":35},"önlemler","Önlemler",[38,39,40,47,53],"ul",{},[41,42,43,46],"li",{},[18,44,45],{},"Erken durdurma (early stopping)",": Doğrulama skoru belirli sayıda epoch iyileşmezse eğitimi durdurmak.",[41,48,49,52],{},[18,50,51],{},"Veri çeşitlendirme (augmentation)",": Döndürme, parlaklık değişimi gibi dönüşümlerle veriyi zenginleştirmek.",[41,54,55,58],{},[18,56,57],{},"Daha fazla ve çeşitli veri",": Çoğu zaman en etkili çözüm.",[23,60,62],{"id":61},"veri-sızıntısı","Veri Sızıntısı",[15,64,65,66,69,70,73],{},"Test verisine eğitimden bilgi sızarsa skor gerçekte olduğundan iyi görünür. Görüntü projelerinde sık rastlanan hata: büyük bir ortofotoyu karolara bölüp rastgele ayırmak. Komşu karolar neredeyse aynıdır. Çözüm, testi ",[18,67,68],{},"coğrafi bloklara"," ya da ",[18,71,72],{},"zamana"," göre ayırmaktır.",[23,75,77],{"id":76},"sınıf-dengesizliği","Sınıf Dengesizliği",[15,79,80],{},"Bir sınıftan çok az örnek varsa (ör. yüzlerce cevize karşı birkaç badem) o sınıfın skoru düşük çıkar. Bu model hatası değil, veri sorunudur; çözümü o sınıftan daha fazla örnek toplamaktır.",[15,82,83,84],{},"İlgili: ",[85,86,88],"a",{"href":87},"\u002Fsozluk\u002Fmodel-degerlendirme-metrikleri","Model Değerlendirme Metrikleri",{"title":90,"searchDepth":91,"depth":91,"links":92},"",2,[93],{"id":12,"depth":91,"text":13,"children":94},[95,97,98,99],{"id":25,"depth":96,"text":26},3,{"id":35,"depth":96,"text":36},{"id":61,"depth":96,"text":62},{"id":76,"depth":96,"text":77},"Modelin eğitim verisini ezberlemesi, veri sızıntısı, sınıf dengesizliği ve eğitimde görülmeyen sahada ölçmenin önemi.","md",{"tags":103},[104,105,26,62,106],"Makine Öğrenmesi","Overfitting","Industrial AI",true,"\u002Fsozluk\u002Foverfitting",{"title":5,"description":100},"sozluk\u002Foverfitting","vgHiq-xRZ2tbUP_oHlbiY6LeRuRB3ISle5ZtHpkaNaE",1793268821605]