# Przeuczenie, niedouczenie i regularyzacja

EN: **Overfitting, underfitting and regularisation** · id `biasvariance`

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Uczenie maszynowe](https://aiatlasgraph.com/t/ml.md) › [Walidacja i dobór modelu](https://aiatlasgraph.com/t/modelselection.md) › Przeuczenie, niedouczenie i regularyzacja

## Description

- PL: Kompromis między modelem zbyt prostym (nie łapie wzorca) a zbyt dopasowanym do danych treningowych (uczy się szumu) oraz techniki, które temu przeciwdziałają.
- EN: The trade-off between a model that is too simple (misses the pattern) and one fitted too closely to training data (learns noise), and techniques that counter it.

## In one sentence

- PL: To rozpoznawanie, czy model upraszcza zadanie za mocno, czy zapamiętuje szczegóły zamiast uczyć się wspólnego wzorca.
- EN: This checks whether a model oversimplifies a task or memorises details instead of learning a shared pattern.

## Problem it solves

- PL: Model może mylić się wszędzie albo świetnie wypadać na znanych danych i zawodzić na nowych.
- EN: A model may perform poorly everywhere, or excel on familiar data and fail on new cases.

## What it does

- PL: Porównuje błędy na danych do nauki i sprawdzania oraz ogranicza nadmierne dopasowanie przez zmianę złożoności, dodatkowe kary lub wcześniejsze zatrzymanie nauki.
- EN: It compares learning and validation errors, then limits excessive fitting through complexity changes, additional penalties or stopping learning earlier.

## Everyday example

- PL: Model zapamiętuje poprzednie zamówienia, ale źle przewiduje nowe; ograniczasz jego złożoność i sprawdzasz, czy poprawia to wynik.
- EN: A model memorises past orders but predicts new ones poorly; you limit its complexity and check whether that improves performance.

## This concerns you if you…

- PL: model działa dobrze tylko na znanych przykładach
- PL: chcesz dopasować złożoność modelu do swoich danych
- EN: find that a model only works on familiar examples
- EN: want model complexity to suit your data

## Keywords

bias-variance tradeoff · learning curves · L1 regularization · L2 regularization · early stopping · validation curves

## How it works

- PL: Złożoność modelu i regularyzacja zmieniają zakres wzorców, które można dopasować, oraz wrażliwość na próbę. Porównanie strat treningowych i niezależnych wyników przy różnych ustawieniach pomaga dobrać kompromis generalizacji.
- EN: Model complexity and regularisation change which patterns can be fitted and sensitivity to samples. Comparing training losses with independent scores across settings helps choose a generalisation trade-off.

## Limits

- PL: Sam odstęp trening–test nie wyjaśnia przyczyny błędu. Więcej regularyzacji może pogłębiać niedouczenie, a dobór kompromisu zależy od danych, celu i modelu.
- EN: The training–test gap alone cannot explain error causes. More regularisation can worsen underfitting, and trade-off selection depends on data, objectives and models.

## Key terms

- PL: **bias**: Systematyczne odchylenie predykcji wynikające z założeń i ograniczeń modelu.
- PL: **wariancja modelu**: Wrażliwość dopasowanego rozwiązania na zmianę próby treningowej.
- PL: **regularyzacja**: Ograniczanie dopasowania przez kary, strukturę lub procedurę uczenia.
- EN: **bias**: Systematic prediction deviation arising from model assumptions and limitations.
- EN: **model variance**: A fitted solution's sensitivity to changes in training samples.
- EN: **regularisation**: Constraining fit through penalties, structure or training procedures.

## Know first

- [Uczenie nadzorowane (Supervised learning)](https://aiatlasgraph.com/t/supervised.md)
- [Rozkłady prawdopodobieństwa (Probability distributions)](https://aiatlasgraph.com/t/distributions.md)

## Examples

- PL: bias–variance · krzywe uczenia · L1/L2 · early stopping
- EN: bias–variance · learning curves · L1/L2 · early stopping

## Related topics

Untyped, symmetric "see also" links.

- [Proces uczenia (Training optimization)](https://aiatlasgraph.com/t/optimization.md)
- [Regularyzacja sieci: dropout i weight decay (Neural network regularisation: dropout and weight decay)](https://aiatlasgraph.com/t/nnregularization.md)

## Sources

- [Stanford CS229 · Machine Learning (Summer 2026)](<https://cs229.stanford.edu/>) `cs229-summer-2026` · by Stanford University
- [Google — Machine Learning Crash Course](<https://developers.google.com/machine-learning/crash-course>) `google-mlcc` · by Google for Developers

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/biasvariance · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30