Bir doğrusal regresyon modeli, eğitim setinde çok yüksek doğruluk gösteriyor ancak yeni, daha önce görülmemiş verilerde kötü performans sergiliyor. ML mühendisi bu sorunu çözmek için hangi eylemi yapmalıdır?

Modelin eğitim setinde yüksek doğruluk göstermesi ancak yeni verilerde kötü performans sergilemesi, modelin aşırı uyum (overfitting) yaşadığını gösterir. Aşırı uyum, modelin eğitim verilerindeki gürültüyü ve spesifik desenleri ezberlemesi, genelleme yeteneğini kaybetmesi durumudur. Çapraz doğrulama (cross-validation) modelin genelleme performansını daha doğru bir şekilde değerlendirmeye yardımcı olurken, düzenlileştirme (regularization) modelin karmaşıklığını azaltarak aşırı uyumu önler. Amazon SageMaker Experiments ise farklı model versiyonlarını ve performans metriklerini izleyerek en iyi modeli seçme sürecini kolaylaştırır. Diğer seçenekler: Modelin karmaşıklığını artırmak, aşırı uyumu daha da kötüleştirecektir. Modeli doğrudan üretime dağıtmak, sorunlu bir modeli devreye almak anlamına gelir ve bu durum kötü performansa yol açar. Eğitim veri setinin boyutunu artırmak her zaman aşırı uyumu çözmez; modelin karmaşıklığı ayarlanmazsa sorun devam edebilir.