Överanpassning: när AI lär sig utantill i stället för mönster

Överanpassning är när en modell blir så anpassad till sin träningsdata att den fungerar sämre på ny data. Inom maskininlärning är målet inte att minnas varje rad, utan att hitta statistiska samband som går att använda igen.

På engelska kallas det overfitting. Det är ett vanligt problem när man tränar AI-modeller. Det säger också något viktigt om dagens AI: modellen saknar mänsklig förståelse och räknar i stället på mönster i data. Om den lär sig fel saker blir resultatet svagt utanför träningen.

I korthet

Överanpassning betyder att modellen passar träningsdatan för bra.
Problemet syns när modellen lyckas på träningsdata men sämre på data den inte sett.
Målet är generalisering, alltså att modellen ska fungera även utanför träningen.
Motsatsen är underanpassning, när modellen är för enkel och missar även tydliga samband.
Risken minskar med bra data, rätt utvärdering och en modell med lagom komplexitet.

Vad är överanpassning?

Överanpassning uppstår när modellen lär sig detaljer som bara råkar finnas i träningsdatan, i stället för samband som håller mer allmänt. De detaljerna kan vara slump, mätfel eller brus, alltså störningar i datan. Modellen verkar då duktig under träningen men tappar när den möter material den inte har sett tidigare.

Tänk på en elev som övar inför ett prov. Om eleven memorerar exakt de gamla frågorna går det bra så länge samma frågor kommer tillbaka. Men om provet innehåller nya frågor märks det att eleven inte har lärt sig själva principen. Överanpassning är ungefär samma sak, fast för en modell.

Höga resultat på träningsdata räcker inte.
Det viktiga är hur modellen fungerar på okända exempel.
Problemet kan drabba många slags modeller, från enkla regressionsmodeller till stora språkmodeller.

Hur märker man att en modell är överanpassad?

Man ser det genom att jämföra resultat på olika delar av datan. En del används för träning. En annan del hålls undan för kontroll under arbetets gång. En tredje del sparas till sist för en slutlig kontroll. Om modellen blir bättre och bättre på träningsdatan men inte på den undanhållna datan är det en tydlig varningssignal.

Hur hjälper valideringsdata mot överanpassning?

Valideringsdata är kontrollfrågor under arbetets gång. De används för att se om modellen förbättras på material som den inte tränar direkt på. Testdata är slutprovet. Den datan ska modellen helst inte ha påverkats av alls förrän allt annat är klart. Om du vill se hela upplägget steg för steg kan du läsa om hur en AI tränas.

Träna modellen

Modellen justeras med hjälp av träningsdata.

Kontrollera under tiden

Man provar modellen på valideringsdata, alltså en kontrollmängd som hållits undan.

Jämför resultaten

Om träningen fortsätter att förbättras men kontrollresultatet står still eller blir sämre, finns risk för överanpassning.

Gör ett sluttest

Sist används testdata för att få en mer rättvis bild av hur modellen fungerar i praktiken.

Varför uppstår överanpassning?

Överanpassning blir vanligare när datan är för liten, sned eller stökig. Kvaliteten på träningsdata spelar därför stor roll. Om materialet innehåller tillfälliga mönster kan modellen börja följa även dem.

Kapacitet: hur mycket modellen kan anpassa sig

En modells kapacitet betyder ungefär hur flexibel den är. En modell med hög kapacitet kan passa in mer komplicerade samband. Det är bra när uppgiften verkligen kräver det, men det ökar också risken att modellen fångar upp sådant som bara är slump.

För lite data. Då får enstaka avvikelser stor betydelse.
För komplex modell. En mycket flexibel modell kan passa in nästan varje liten detalj.
Brus i datan. Felmärkningar, mätfel eller ovanliga undantag kan lura modellen.
För lång träning. Modellen fortsätter att slipa på träningsdatan trots att den redan nått sin bästa nivå på ny data.

Generalisering: det egentliga målet

Generalisering, på engelska generalization, betyder att modellen fungerar även på nya fall som liknar det den tränats på men inte är identiska. Det är detta man egentligen vill åt. En modell som generaliserar väl har hittat samband som verkar vara användbara utanför själva övningsmaterialet.

Det här passar väl med hur AI fungerar i praktiken. En AI-modell har ingen förståelse i mänsklig mening som räddar den om datan är dålig. Den räknar fram statistiska samband från exempel. Om sambanden bygger på slump blir generaliseringen svag.

Bra generalisering betyder inte perfekta svar varje gång.
En modell kan se imponerande ut under träningen men ändå generalisera dåligt.
Därför är utvärdering på undanhållen data lika viktig som själva träningen.

Överanpassning och underanpassning

Motsatsen till överanpassning är underanpassning, på engelska underfitting. Då är modellen för enkel eller för lite tränad. Den missar då även tydliga samband i datan. Resultatet blir svagt både på träningsdata och på ny data.

Läge	På träningsdata	På ny data	Vad det ofta betyder
Underanpassning	Dåligt	Dåligt	Modellen fångar inte ens grundidén
Lagom anpassning	Bra	Bra	Modellen har hittat samband som håller
Överanpassning	Mycket bra	Sämre	Modellen följer detaljer som inte går att återanvända

Målet är alltså inte att göra modellen så avancerad som möjligt. Målet är att hitta rätt nivå för uppgiften. För enkel modell missar viktiga samband. För komplicerad modell riskerar att låsa fast sig vid övningsmaterialet.

Bias–varians, med ett konkret exempel

Bias–varians beskriver två vanliga typer av fel. Bias betyder här ett systematiskt fel. Modellen är då för stel och förenklad. Varians betyder att modellen påverkas mycket av exakt vilka träningsdata den råkar få. Hög varians hänger ofta ihop med överanpassning.

Ett enkelt exempel

Tänk dig att du vill förutsäga bostadspris utifrån boyta. En modell med hög bias kanske drar en alltför enkel rak linje genom datan, trots att verkligheten är mer komplicerad. Då missar den viktiga samband och ger grova fel även på kända exempel.

En modell med hög varians gör tvärtom. Den försöker passa in nästan varje punkt exakt och ritar en krokig kurva som följer små hopp i datan. På träningsdatan ser det snyggt ut, men på nästa bostad fungerar den sämre. Det är ett typiskt tecken på överanpassning.

Hög bias ger ofta underanpassning.
Hög varians ger ofta överanpassning.
I praktiken försöker man hitta en balans där modellen är tillräckligt flexibel men inte alltför känslig för detaljer.

Så minskar man risken för överanpassning

Det finns ingen metod som alltid löser problemet, men flera arbetssätt hjälper ofta. Grundidén är enkel: modellen ska styras mot samband som håller, inte mot tillfälliga detaljer.

Använd mer och mer representativ data om det går.
Dela upp datan tydligt i träning, validering och test.
Välj en modell som är lagom komplex för uppgiften.
Granska datan efter fel, dubbletter och märkliga avvikelser.
Jämför alltid resultat på träning med resultat på undanhållen data.

Tidig stoppning och regularisering

Tidig stoppning betyder att man avbryter träningen när resultatet på valideringsdata slutar bli bättre. Det är som att sluta öva när övningen inte längre gör dig bättre på själva provet. Regularisering betyder att man lägger in begränsningar som gör modellen mindre benägen att följa varje liten detalj. En enkel bild är att man sätter upp räcken så att modellen håller sig till de breda dragen.

Tänk på

Vill du läsa en kort och tydlig genomgång av ämnet kan du se Google ML Crash Course om överanpassning.

Vill du öva mer på grundidéerna bakom modeller, data och utvärdering finns även relevanta delar i Elements of AI.

Gäller det här alla typer av AI-modeller?

Ja. Överanpassning kan uppstå i klassificering, regression, bildigenkänning och språkmodeller. Problemet handlar inte främst om vilken sorts AI det är, utan om relationen mellan modellens flexibilitet, datans kvalitet och hur man testar resultatet.

Det gäller både enkla modeller och neurala nätverk. Stora modeller har ofta hög kapacitet och kan därför hitta mycket komplicerade samband. Det gör dem användbara, men betyder också att man måste vara extra noggrann med data, uppdelning och utvärdering.

Själva kärnan är densamma i alla fallen. Om modellen lär sig sådant som bara råkar finnas i träningsmaterialet blir den mindre pålitlig när den möter verkliga situationer utanför träningen.

Vanliga frågor

Vad är skillnaden mellan överanpassning och underanpassning?

Överanpassning betyder att modellen följer träningsdatan för nära och därför fungerar sämre på ny data. Underanpassning betyder att modellen är för enkel eller för lite tränad och därför missar även tydliga samband. Den första blir ofta för specifik, den andra för grov.

Hur upptäcker man overfitting i en AI-modell?

Man jämför resultat på träningsdata med resultat på valideringsdata och testdata. Om modellen fortsätter att bli bättre på träningsdatan men inte på den undanhållna datan är det en tydlig varningssignal. Därför ska en del av datan alltid hållas utanför själva träningen.

Är mer data alltid lösningen på överanpassning?

Nej. Mer relevant och varierad data hjälper ofta, men mer data av låg kvalitet kan också föra in mer brus. Ibland behöver man i stället ändra modellen, stoppa träningen tidigare eller lägga till begränsningar som gör modellen mindre känslig för detaljer.

Kan stora språkmodeller också bli överanpassade?

Ja. Även stora språkmodeller är maskininlärda modeller som tränas på data och kan därför påverkas av överanpassning. Grundidén är densamma som för andra modeller: de kan fastna i mönster som ser bra ut under träning men fungerar sämre utanför den.

Vad betyder generalisering i maskininlärning?

Generalisering betyder att modellen fungerar även på fall den inte har sett tidigare. Den ska alltså inte bara klara sina övningsexempel, utan också liknande fall i verklig användning. Det är därför generalisering är ett av de viktigaste målen i maskininlärning.

Källor

Skriven av AI-redaktionen. Texten är researchad och faktakontrollerad mot källorna ovan.

Senast uppdaterad: 26 oktober 2026

Ser du något som är fel eller har blivit inaktuellt? Hör av dig så rättar vi.