فرط التعلّم (Overfitting) Overfitting

الصياغة

if train_acc >> val_acc:
    print("فرط تعلّم — النموذج يحفظ بدل أن يتعمّم")
elif train_acc ≈ val_acc and low:
    print("نقص تعلّم — النموذج بسيط جدًا")

📄 مثال

from sklearn.tree import DecisionTreeRegressor
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split

X, y = make_regression(n_samples=200, n_features=5, noise=10, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)

# شجرة عميقة جدًا — أكثر عرضة لفرط التعلّم
model = DecisionTreeRegressor(max_depth=None)
model.fit(X_train, y_train)

print(f"R² تدريب: {model.score(X_train, y_train):.3f}")
print(f"R² اختبار: {model.score(X_test, y_test):.3f}")
# فجوة كبيرة بين القيمتين = فرط تعلّم

أهم النقاط

💡 نصائح عملية

• راقب الفرق بين دقة التدريب ودقة التحقق لا دقة التدريب وحدها — فرط التعلّم فجوة وليست دالة لدقة واحدة
• حين تبدأ دقة التحقق بالانخفاض أثناء التدريب، أوقف التدريب (early stopping) قبل أن يتعلّم ضوضاء

⚠️ أخطاء شائعة

• تشخيص فرط التعلّم بمجرد "دقة تدريب عالية" — النموذج البسيط قد تكون دقة تدريبه 100% وهو سليم
• تجاهل إشارة التحذير لأن دقة التدريب "جيدة" — الحقيقة أن ما يهم هو الأداء على بيانات جديدة

خصائص ذات صلة