Overfitting (मॉडेल प्रशिक्षण डेटा लक्षात ठेवतो आणि नवीन डेटावर अयशस्वी होतो) आणि underfitting (मॉडेल खूप सोपा असून पॅटर्न कॅप्चर करू शकत नाही) हे ML मधील दोन मूलभूत समस्या आहेत. त्यांमध्ये संतुलन साधणे — चांगले generalization प्राप्त करणे — प्रभावी मॉडेल तयार करण्याचे केंद्रबिंदू आहे.
Overfitting विरुद्ध underfitting
text
OVERFITTING → the model learns the training data TOO well (including noise) →
→ performs great on training data but POORLY on new/unseen data (doesn't generalize)
→ too complex; memorizes rather than learns general patterns
→ like memorizing answers vs understanding the concept
UNDERFITTING → the model is TOO SIMPLE to capture the underlying patterns →
→ performs poorly on BOTH training and new data
→ not enough complexity/capacity to learn the patterns
→ the goal is GENERALIZATION: learn real patterns → perform well on NEW data