Quelle différence entre surapprentissage et sous-apprentissage d’un réseau robotique ?
Réponse rapide
Le surapprentissage mémorise trop les données d’entraînement et généralise mal ; le sous-apprentissage ne capture pas suffisamment la relation utile, même sur l’entraînement. Les courbes d’erreur et les tests représentatifs les distinguent.
Reconnaître la mémorisation
Perte d’entraînement qui baisse tandis que validation stagne ou se dégrade indique une spécialisation excessive. Régularisation, données plus variées ou arrêt anticipé peuvent aider.
Voir le modèle trop simple
Erreurs élevées sur entraînement et validation montrent que réseau, données ou variables ne capturent pas la tâche. Ajouter de la complexité ne corrige pas une cible mal définie.
Mesurer sur le terrain
Situations nouvelles, capteurs différents et changements de lumière révèlent la généralisation utile. La décision tient compte des erreurs coûteuses, pas d’une seule moyenne.
Sources et références
- [1] Robotics and Autonomous Systems — NIST