التعميم (Generalization) قدرة نموذج تعلم الآلة على التنبؤ بدقة على بيانات جديدة مالهاش علاقة ببيانات التدريب اللي شافها من قبل.
باختصار
النموذج الجيد مش اللي بيحفظ بيانات التدريب، لكن اللي بيتعلم النمط العام اللي يخليه يشتغل صح على أمثلة جديدة متشافهاش قبل كده.
بالتفصيل
بيانات التدريب دايماً عينة محدودة من توزيع أكبر، وممكن متمثلش كل حالات الواقع بدقة. الفرق بين أداء النموذج على بيانات التدريب (Empirical Error) وأداءه المتوقع على كل التوزيع (Generalization Error) هو المقياس الحقيقي لجودة التعميم. النموذج الناجح هو اللي الفرق ده بيقل عنده مع زيادة بيانات التدريب.
فرط التخصيص (Overfitting) هو العدو الأول للتعميم: النموذج بيبقى حساس جداً لتفاصيل وضوضاء في بيانات التدريب بالذات، فيحقق دقة عالية عليها لكن أداءه بيسوء على بيانات جديدة.
مثال عملي
نموذج بيحقق دقة 99% على بيانات التدريب لكن 60% بس على بيانات اختبار جديدة، ده مؤشر واضح على ضعف التعميم، حتى لو الرقم الأول شكله ممتاز.
خلي بالك: تقييم النموذج لازم يكون دايماً على بيانات منفصلة عن التدريب، وإلا الأرقام هتكون مضلّلة.
مصطلحات مرتبطة
Overfitting، Cross-validation.
المصادر: Wikipedia
