Nell'apprendimento supervisionato e nella teoria dell'apprendimento statistico, l'errore di generalizzazione (noto anche come out-of-sample error o rischio) è una misura dell'accuratezza di un modello nel predire i risultati per dati non osservati in precedenza.
Dato che i modelli sono valutati su campioni finiti, la loro valutazione può essere sensibile all'errore di campionamento. Ne consegue che misure dell'errore di predizione su dati attualmente disponibili potrebbero non essere molto informativi sulle capacità predittive dei modelli su dati nuovi, mai visti. L'errore di generalizzazione può essere minimizzato evitando il sovradattamento nell'algoritmo di apprendimento. le prestazioni dei modelli appresi automaticamente sono visualizzate solitamente attraverso il tracciamento di curve di apprendimento che mostrano le stime dell'errore di generalizzazione nel corso di tutto un processo di apprendimento.
Note
Bibliografia
Mohri, M., Rostamizadeh A., Talwakar A., (2018) Foundations of Machine learning, 2nd ed., Boston: MIT Press. Moody, J.E. (1992), "The Effective Number of Parameters: An Analysis of Generalization and Regularization in Nonlinear Learning Systems , in Moody, J.E., Hanson, S.J., and Lippmann, R.P., Advances in Neural Information Processing Systems 4, 847–854. White, H. (1992b), Artificial Neural Networks: Approximation and Learning Theory, Blackwell.
Voci correlate Sovradattamento
Categoria:Apprendimento automatico