Aşırı uyum (model eğitim verilerini ezberlediği için yeni veriler üzerinde başarısız olması) ve yetersiz uyum (model desenleri yakalamak için çok basit olması) ML'deki iki temel sorundur. Bunları dengelemek — iyi genelleştirme başarmak — etkili modeller oluşturmanın merkezinde yer alır.
Aşırı uyum vs yetersiz uyum
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
