Модель слишком простая и недообучена: ошибка одинаково высокая и на train, и на test — нужно увеличить количество слоёв и нелинейных функций
Overfitting наоборот улучшает обобщающую способность модели на новых данных — это желаемое состояние, к которому стремятся при обучении нейросетей
Модель выучила шум обучающей выборки: высокое качество на train, низкое на test; борются регуляризацией, кросс-валидацией, упрощением
Это ситуация когда данных слишком много для модели, и она не успевает их обработать за разумное время — решается уменьшением выборки в 10-100 раз
Как разобрать этот вопрос на собеседовании
Определи тип задачи (регрессия/классификация), как ты разобьёшь данные и какой метрикой будешь мерить качество с учётом дисбаланса классов. Ценят понимание переобучения, утечки данных и того, почему выбрана именно эта метрика, а не accuracy по умолчанию.
На собеседовании по такому вопросу важно не только назвать ответ, но и кратко объяснить, почему он верный.
Тема вопроса — «ML». Чтобы подготовиться к похожим задачам, отрабатывай их на практике: раздел практики помогает довести навык до автоматизма, а раздел вопросов — увидеть формулировки, которые реально встречаются на интервью аналитика данных.
Разбор ответа
Подробный разбор с объяснением «почему правильный ответ верный» и почему остальные неверны — после регистрации.
3000+ вопросов с разбором, quiz-режим с проверкой, AI-собес и подготовка к интервью аналитика.