What is the translation of " OVERFITTING " in English?

• overfitting

Examples of using Overfitting in Indonesian and their translations into English

Untuk menghindari overfitting.
In order to avoid overfitting.

Overfitting ialah suatu kesalahan yang dikarenakan olah kurangnya data yang dipakai.
Overfitting is an“error” caused by the limited data used.

Apa saja yang dapat dilakukan untuk menghindari overfitting?
What can be done to avoid overfitting?

Overfitting adalah sebuah kesalahan yang disebabkan olah terbatasnya data yang dipergunakan.
Overfitting is an“error” caused by the limited data used.

Tetapi saya mengingatkan Anda tentang gagasan overfitting.
Remind her about the idea of overlapping.

Anda dapat melihat apakah model mengalami overfitting dengan menggunakan data uji untuk diproses melalui model.
You can see if a model overfits by having test data flow through the model.

Apa saja yang dapat dilakukan untuk menghindari overfitting?
What can be done to prevent overfitting?

Tantangan utama, kemudian, adalah mencegah overfitting saat mengotomatisasi rekayasa fitur manual.
The main challenge, then, was preventing overfitting while automating manual feature engineering.

Ada dua pilihan opsi utama untuk menangani masalah overfitting.
There are two main options to address the issue of overfitting.

Overfitting terjadi ketika beberapa batasan didasarkan pada sifat khusus yang tidak membuat perbedaan.
Overfitting happens when some boundaries are based on on distinctions that don't make a difference.

Bagging juga mengurangi varians dan membantu untuk menghindari terjadinya overfitting.
It also reduces variance and helps to avoid overfitting.

Overfitting merupakan bagian dari konsep mendasar dalam pembelajaran mesin yang akan kami jelaskan pada posting berikutnya.
Overfitting is part of a fundamental concept in machine learning explained in our next post.

Anda harus berurusan dengan dalam sampel dan di luar masalah sampel, overfitting dan sebagainya.
You thus experience in test and out-of sample problems, overfitting and so forth….

Overfitting dapat terjadi ketika beberapa batasan didasarkan pada sifat khusus yang tidak membuat perbedaan pada data.
Overfitting happens when some boundaries are based on on distinctions that don't make a difference.

Tetapi jika hipotesisnya terlalu rumit, maka modelnya tunduk pada overfitting dan generalisasi akan menjadi lebih buruk.
But if the hypothesis is too complex, then the model is subject to overfitting and generalization will be poorer.

Final predictions-nya adalah dengan mengambil rata-rata dari model XGBoost dan stacked models untuk mengurangi variance dari model-model dan mencegah overfitting.
Its final predictions is an average of all XGBoost and stacked models to reduce variance and avoid overfitting.

Sebagai strategi berbasis data, evolusi genetika algoritma adalah resep untuk overfitting jika prosedur ketat tidak diikuti.
Being a data-driven strategy, genetic evolution of algorithms is a recipe for overfitting if strict procedures are not followed.

Butuh diingat jika untuk memperoleh hasil backtesting yang berkualitas, kita membutuhkan rekaman data gerakan harga yang mutunya baik juga untuk hindari overfitting.
Keep in mind that in order to get quality backtesting results, we need good quality price data recording to avoid overfitting.

Model terakhir yang dirancang untuk menghindari overfitting, dapat menghasilkan perkiraan paling akurat, menurut hasil penelitian.
The latter, designed to avoid overfitting, is the model that produced the most accurate predictions, according to the results.

Perlu diingat bahwa untuk mendapatkan hasil backtesting yang berkualitas, kita memerlukan rekaman data pergerakan harga yang kualitasnya baik pula untuk menghindari overfitting.
Keep in mind that in order to get quality backtesting results, we need good quality price data recording to avoid overfitting.

Untuk penyetelan model lebih lanjut dan menghindari overfitting, tim operasi data dapat menyamaratakan model terhadap data uji produksi dengan menggunakan beragam teknik evaluasi antar validasi( cross-validation) and holdout.
For further model tuning and to avoid overfitting, data operations teams can generalize models against production test data using a choice of cross-validation and holdout evaluation techniques.

Hanya dengan melakukan resampling data berulang kali, keacakan dapat dimasukkan ke dalam dataset untuk memastikan bahwa tidak akan ada masalah overfitting.
Only by resampling the data repeatedly, randomness can be introduced into the dataset to make sure that there won't be an overfitting problem.

Tujuan dari validasi silang adalah untuk mendefinisikan dataset untuk" menguji" model dalam tahap pelatihan( yaitu, validasi data), dalam rangka untuk membatasi masalah seperti terjadinya overfitting, memberikan wawasan tentang bagaimana model akan menggeneralisasi independen dataset( yaitu, tidak diketahui dataset, misalnya dari masalah nyata).
The goal of cross-validation is to test the model's ability to predict new data that was not used in estimating it, in order to flag problems like overfitting or selection bias and to give an insight on how the model will generalize to an independent dataset i.e., an unknown dataset, for instance from a real problem.

Perhatikan bahwa pengamatan terhadap pengklasifikasi yang lebih kompleks( hutan yang lebih besar) yang semakin akurat hampir secara monoton sangat kontras dengan keyakinan umum bahwa kompleksitas penggolongan hanya dapat tumbuh pada tingkat akurasi tertentu sebelum disakiti dengan overfitting.
Note that this observation of a more complex classifier(a larger forest) getting more accurate nearly monotonically is in sharp contrast to the common belief that the complexity of a classifier can only grow to a certain level of accuracy before being hurt by overfitting.

Di antara fitur-fiturnya baru adalah dropout variasional, yang memungkinkan pengembang untuk menerapkan teknik putus untuk mengurangi overfitting ke jaringan saraf berulang.
Among its new features are variational dropout, which allows developers to apply the dropout technique for mitigating overfitting to recurrent neural networks.

Hal ini perlu untuk memvalidasi semua hasil yang kita peroleh dari backtesting, juga penting untuk memperoleh bukti nyata bahwa kita berhasil menghindari overfitting selama proses backtest.
It is necessary to validate all the results we get from backtesting, it is also important to obtain tangible evidence that we managed to avoid overfitting during the backtest process.