התאמת יתר (Overfitting) היא אתגר נפוץ בלמידת מכונה ובינה מלאכותית, שבה מודל לומד את נתוני האימון מקרוב מדי, לוכד אפילו את הרעש והחריגים שלו. בעוד שדגם מצויד יתר על המידה עשוי להפגין ביצועים מרשימים בנתוני האימון, הוא בדרך כלל מתפקד גרוע בנתונים חדשים שלא נראים. בעיקרו של דבר, במקום להכליל מנתוני האימון כדי לבצע תחזיות מדויקות על מערכי נתונים שונים, המודל מתמחה מדי לדפוסים ולמוזרויות הספציפיות של נתוני האימון בלבד.
מספר גורמים יכולים לתרום להתאמת יתר, כולל מודל מורכב מדי ביחס לכמות ואיכות נתוני האימון, או שאין מספיק דוגמאות מגוונות להתאמן עליהם. כדי לנטרל התאמת יתר, מתרגלים עשויים להשתמש בטכניקות כמו רגוליזציה, שמוסיפה עונש לפונקציית ההפסד כדי להגביל את מורכבות המודל; אימות צולב, המחלק את הנתונים כדי לאמת את ביצועי המודל בתתי קבוצות שונות; או על ידי הגדלת כמות נתוני האימון. עצירה מוקדמת, גיזום ונשירה ברשתות עצביות הן אסטרטגיות נוספות למניעת התאמה יתר של מודל.
