تخيّل طالباً يحفظ إجابات امتحانات السنوات السابقة دون فهم المادة: يبدع في الأسئلة التي رآها من قبل، لكنه يضيع بمجرد تغيير كلمة واحدة. هذا تماماً هو فرط التعلّم: نموذج ذكاء اصطناعي يتطابق مع بيانات التدريب تطابقاً مثالياً لدرجة أنه يحفظ الضوضاء والتفاصيل العرضية، على حساب قدرته على التعميم على بيانات جديدة.
كيف نكتشف فرط التعلّم
العَرَض الكلاسيكي هو فجوة واسعة بين أدائين. يحقق النموذج خطأ تدريب منخفضاً جداً، لكن خطأ التحقّق (على بيانات لم يرها قطّ) يبدأ في الارتفاع مجدداً.
| المؤشر | نقص التعلّم | ملاءمة جيدة | فرط التعلّم |
|---|---|---|---|
| خطأ التدريب | مرتفع | منخفض | منخفض جداً |
| خطأ التحقّق | مرتفع | منخفض | مرتفع |
| تعقيد النموذج | بسيط جداً | ملائم | مرتفع جداً |
والهدف الحقيقي هو تقليل الخطأ المتوقَّع على بيانات جديدة، لا على العيّنة المعروفة فقط:
$$\mathbb{E}_{(x,y)}\big[\,L!\left(f(x),\,y\right)\big]$$
كيف نتجنّبه
- التنظيم (عقوبات L1/L2، والإسقاط dropout) للحدّ من التعقيد.
- التحقّق المتقاطع والإيقاف المبكّر.
- تعزيز البيانات لتنويع الأمثلة.
- تفضيل نموذج أبسط عندما يكون الأداء متقارباً.
فرط التعلّم هو النقيض الآخر لنقص التعلّم: ويكمن الفنّ كلّه في الموازنة ضمن مقايضة التحيّز والتباين.
النموذج الجيّد لا يردّد الماضي، بل يستشرف المجهول.