L'overfitting, ou surapprentissage, survient lorsqu'un modèle d'IA apprend « par cœur » ses données d'entraînement — y compris leur bruit — et devient incapable de bien généraliser sur des données nouvelles.
Symptôme typique : d'excellents résultats à l'entraînement, médiocres en production. On le combat par la régularisation, la validation croisée, plus de données, ou des modèles moins complexes. C'est un enjeu central de fiabilité en machine learning.
→ Des modèles fiables en production : expertise systèmes prédictifs.
Équipe Origin 137Origin 137