Réponse rapide
Détecter le surapprentissage d’un modèle profond consiste à comparer performances d’entraînement, validation et test sur des données réellement indépendantes, puis à examiner courbes et écarts par contexte. Un réseau qui mémorise bruit ou décor ne généralise pas au terrain nouveau.
Distinguer mémoire et apprentissage
Réseau peut reproduire détails, bruit ou arrière-plan propres aux exemples. Séquences, robots et sites séparés révèlent si la représentation reste utile hors échantillon.
Ventiler les écarts
Métriques sont comparées par objet, lumière, vitesse, sol, utilisateur et capteur lorsque ces facteurs influencent mission. Cas rares restent visibles dans le test.
Réduire sans retirer la difficulté
Augmentation, régularisation ou données nouvelles peuvent aider. Supprimer les cas difficiles pour remonter le score ne corrige pas la généralisation.
Sources et références
- [1] Deep Learning Book — MIT Press