Definizione
L’overfitting è un fenomeno che si verifica quando un modello di machine learning o deep learning si adatta eccessivamente ai dati di addestramento, perdendo la capacità di generalizzare su nuovi dati. In pratica, il modello memorizza i dettagli e il rumore del dataset di training, invece di apprendere schemi generali, portando a prestazioni eccellenti sui dati di addestramento ma scarse sui dati di test o reali.
L’overfitting si manifesta quando il modello è troppo complesso rispetto alla quantità o alla qualità dei dati disponibili, spesso a causa di un numero eccessivo di parametri o di un dataset non sufficientemente rappresentativo.
Esistono diverse tecniche per prevenire l’overfitting, come l’aumento dei dati (Data Augmentation), la regolarizzazione (es. Dropout) per limitare la complessità del modello o l’Early Stopping, che consiste nell’interrompere l’addestramento quando le prestazioni sul Validation Set iniziano a peggiorare.
Applicazioni in Medicina
- Diagnosi tramite immagini mediche: un modello di deep learning per la rilevazione di tumori potrebbe memorizzare caratteristiche specifiche del dataset di training, senza riconoscere correttamente nuovi casi reali che potrebbero provenire da altre sorgenti ed essere quindi differenti da quelli su cui è stato addestrato
- Predizione di malattie: un modello predittivo basato su cartelle cliniche elettroniche potrebbe adattarsi troppo a particolari caratteristiche demografiche del dataset e fallire su una popolazione più ampia.
