مفهوم Over-fit یا بیش برازش
درواقع Over-fitting به این موضوع اشاره دارد که مدل ما بسیار خوب آموزش دیده است اما به خوبی تعمیم نیافته است. اجازه دهید با یک مثال واقعی پیش برویم.فرض کنید شما به یک کشور خارجی رفته اید و قصد دارید با تاکسی به جایی بروید و از بد روزگار راننده آن تاکسی شما را تلکه می کند و پول زیادی از شما می گیرد و در نهایت شما می گویید تمامی رانندگان تاکسی آن کشور دزد هستند. Over-generalization یا Over-fitting دقیقا همین چیزی است که در زندگی انسان ها در حال رخ دادن است و جالب است بدانید که ماشین نیز ممکن است در این دام بیفتد اگر به خوبی مراقب عملکردتان نباشید. بنابراین تعریف Over-fit را اینگونه می گوییم که بسیار خوب آموزش دیده است اما قدرت تعمیم پذیری یا Generalization ندارد.
مفهوم Under-fit یا کم برازش
مفهوم کم برازش یا Under-fitting زمانی اتفاق میفتد که مدل بسیار ساده است و برای یادگیری مناسب نیست. چند انتخابی که برای حل این مشکل دارید این است که مدل یادگیرنده بهتری انتخاب کنید یا ویژگی های بهتری برای مدلتان که می خواهد بیاموزد انتخاب کنید یا میزان محدودیت هایی که برای تنظیم مجموعه داده ای قرار داده اید را کمتر کنید.
به عنوان مثال فرض کنید برای شناسایی 5 نفر، 50 نمونه عکس از این افراد داریم اگر شما طوری این عکسها را ببینید که فقط این 50 عکس را بشناسید و هر مدل دیگهای از عکسهارا به شمابدهند نتوانید شناسایی انجام دهید، یعنی ذهنِ شما بر روی این عکسها Overfit یا بیشبرازش شده است. حال اگر تمامی افراد را دیده باشید از نزدیک اما نتوانید عکس هایشان را به درستی تشخیص دهید یا شاید به صورت اتفاقی چند نمونه را درست تشخیص دهید. اینجا ذهن شما Underfit شده است.