Overfitting คืออะไร?
หุ่นจำข้อสอบ vs หุ่นเข้าใจ
Overfitting คือโมเดลจับรายละเอียดเฉพาะของข้อมูลฝึกมากจนทำงานกับข้อมูลใหม่ได้ไม่ดี ผลฝึกที่สวยจึงไม่พอ
QuantKG Editorial · อัปเดต 17 กันยายน 2026
ภารกิจของคุณ
เลือกวิธีเรียนรู้จากจุดสีเขียว แล้วล็อกตัวเลือกก่อนเปิดจุดสอบสีส้ม เป้าหมายคือเปรียบเทียบ MSE ฝึกและสอบ ยิ่งต่ำยิ่งดี
เปิด JavaScript เพื่อเล่นเกม Phaser ปุ่มควบคุมใช้คีย์บอร์ดได้ ไม่มีเงินจริง การทดลองไม่คิด XP มีโจทย์ประยุกต์ท้ายเกม ตอบถูก +10 XP ผิด −3 XP ต่ำสุด 0 คิดเฉพาะคำตอบแรกต่อข้อ เก็บในอุปกรณ์นี้
ตัวอย่างที่จับต้องได้
ข้อมูลสังเคราะห์เป็นแนวเส้นตรงบวก noise เราเทียบค่าเฉลี่ยคงที่ เส้นถดถอยเชิงเส้น และตัวจำจุดที่ใช้ nearest neighbor ตัวจำจุดตอบข้อมูลฝึกได้ตรง แต่จุดใหม่อาจผิดมากกว่าเส้นเรียบ
เกมนี้บอกอะไรไม่ได้?
เป็นโจทย์สังเคราะห์ขนาดเล็ก ไม่ใช่ข้อมูลตลาด ไม่ใช่ neural network และไม่มีวิธีใดชนะเสมอ เมื่อเปิดผลแล้ว ชุดนี้ไม่ใช่ข้อสอบที่ไม่เคยเห็นอีกต่อไป ต้องใช้ชุดใหม่เพื่อประเมินจริง
แหล่งอ้างอิง
scikit-learn — Underfitting vs. Overfittingเกมและตัวอย่างสร้างโดย QuantKG แหล่งอ้างอิงเป็นบทอ่านพื้นฐานของหมวด ไม่ได้ยืนยันว่ากองทุนหรือผู้เขียนใช้วิธีนี้
คำถามชวนคิด
Overfitting หมายถึงข้อใด?
ภาพภารกิจใดช่วยให้เห็นแนวคิด Overfitting?
เมื่อเรียน Overfitting ผ่านเกม ควรจำข้อจำกัดใด?