Waarom is dit belangrijk?
Dankzij generalisatie kunnen leersystemen een nog niet gezien geval beoordelen met kennis uit eerdere training. In de zorg ondersteunt dat medische diagnoses bij patiënten die niet in de oorspronkelijke gegevens stonden. Zorgverleners krijgen zo hulp bij het herkennen van bekende patronen in nieuwe gevallen, maar een model dat te sterk op de oefengegevens leunt, maakt vaker fouten bij afwijkende gevallen.
Zo werkt het in de praktijk
Teams meten generalisatie met een aparte testset. Volgens ISO/IEC 23053 laat die set zien of het model werkt op productiedata na ingebruikname. Trainingsdata, validatiedata en testdata blijven daarbij gescheiden.
Op ICML lieten Recht en collega’s zien of beeldmodellen generaliseren naar nieuwe data. Zij maakten verse testsets voor ImageNet en CIFAR-10 en maten een lagere nauwkeurigheid. Die daling hing samen met iets lastigere beelden dan in de oude testset.
Het Algoritmekader koppelt generalisatie aan een vaste verdeling van data. Ontwikkelaars verdelen data in een trainingsset, een validatieset en een testset. De testset blijft tot het eind onaangeroerd en toont de prestaties in nieuwe omstandigheden.




