# Surapprentissage (Overfitting)

> Phénomène où un modèle apprend par cœur ses données d'entraînement mais échoue à généraliser sur de nouvelles données.

- Page ZoneIA : https://zoneia.fr/glossaire/surapprentissage-overfitting
- Type : Définition du glossaire IA
- Catégories : [Analyse de Données & Data](https://zoneia.fr/outils/categorie/analyse-donnees-data), [Recherche & Science](https://zoneia.fr/outils/categorie/recherche-science-ia)
- Publié le : 2026-03-04
- Mis à jour le : 2026-05-22

Le surapprentissage survient quand un modèle devient **trop adapté** à son jeu d’entraînement. Il capture non seulement les tendances utiles, mais aussi le **bruit** et des coïncidences propres aux données vues. Résultat : les performances sont excellentes sur l’entraînement, mais chutent sur un jeu de validation ou en production.

## Comment le reconnaître ?
Un signal classique est un **écart** croissant entre l’erreur d’entraînement (faible) et l’erreur de validation/test (élevée). On le rencontre souvent avec des modèles très flexibles (réseaux de neurones profonds, arbres très profonds) ou des datasets trop petits.

## Pourquoi ça arrive ?
Le modèle minimise une fonction de perte sur l’entraînement. S’il a trop de capacité ou s’il s’entraîne trop longtemps, il finit par apprendre des **détails non généralisables**. Une validation mal conçue (fuite de données, mélange temporel) peut aussi masquer ou accentuer le problème.

## Comment le limiter ?
- **Plus de données** ou augmentation de données (data augmentation).
- **Régularisation** (L2/weight decay, dropout).
- **Arrêt anticipé** (early stopping) basé sur la validation.
- **Simplifier le modèle** ou réduire le nombre de paramètres.
- **Validation correcte** (cross-validation, split temporel si nécessaire).

## Exemple
En classification d’images, un modèle peut mémoriser l’arrière-plan typique d’un dataset (studio, watermark) plutôt que les objets, et échouer dès que le contexte change.

---

Source : ZoneIA, annuaire francophone des outils IA (https://zoneia.fr/glossaire/surapprentissage-overfitting)