بیش برازش (به انگلیسی: Overfitting) به پدیدهٔ نامطلوبی در آمار گفته می شود که در آن درجه آزادی مدل بسیار بیشتر از درجه آزادی واقعی انتخاب شده و در نتیجه اگرچه مدل روی داده استفاده شده برای یادگیری بسیار خوب نتیجه می دهد، اما بر روی داده جدید دارای خطای زیاد است. انتخاب درجه آزادی مناسب به کمک وارسی اعتبار (Cross-validation) و تنظیم کردن (Regularization) از راه های مقابله با این پدیده است.
درجه آزادی
کم برازش
احتمال بیش برازش به این دلیل وجود دارد که معیار برازش مدل با معیاری که برای ارزیابی آن به کار می رود یکسان نیست. به این مفهوم که معمولاً برای برازش مدل کارایی آن بر روی یک مجموعه نمونه های برازش بیشینه می شود. در صورتی که برای سنجش مؤثر بودن مدل نه تنها کارایی آن بر روی نمونه های برازش را می سنجند بلکه توانایی مدل بر روی نمونه هایی دیده نشده نیز در نظر گرفته می شود. بیش برازش زمانی اتفاق می افتد که مدل در هنگام برازش به جای "یادگیری" داده ها شروع به "حفظ کردن" آن ها می کند.
درجه آزادی
کم برازش
احتمال بیش برازش به این دلیل وجود دارد که معیار برازش مدل با معیاری که برای ارزیابی آن به کار می رود یکسان نیست. به این مفهوم که معمولاً برای برازش مدل کارایی آن بر روی یک مجموعه نمونه های برازش بیشینه می شود. در صورتی که برای سنجش مؤثر بودن مدل نه تنها کارایی آن بر روی نمونه های برازش را می سنجند بلکه توانایی مدل بر روی نمونه هایی دیده نشده نیز در نظر گرفته می شود. بیش برازش زمانی اتفاق می افتد که مدل در هنگام برازش به جای "یادگیری" داده ها شروع به "حفظ کردن" آن ها می کند.
wiki: بیش برازش