Переобучение и недообучение модели: как отличить

Что менять

При недообучении увеличивают выразительность модели, улучшают признаки, ослабляют чрезмерную регуляризацию или дольше обучают. При переобучении упрощают модель, усиливают регуляризацию, добавляют данные, применяют augmentation, уменьшают число признаков или останавливают обучение раньше.

Но сначала проверяют качество данных и соответствие train будущему production. Дубли между split создают иллюзию хорошего обобщения, а сильный temporal drift может выглядеть как overfitting, хотя проблема в изменившемся мире.

Фиксируйте baseline и меняйте один фактор за раз. Цель — не максимальная train-метрика, а стабильное качество на данных, представляющих реальное использование.