أو فرط التخصيص، وهي مشكلة تحدث في مجال التعلم الآلي عندما يتعلم النموذج أنماط بيانات مجموعة تدريب ما بشكل جيد جداً ويصبح متوافقاً معها بشكل مثالي لدرجة أنه يقوم بالتنبؤ حتى بالضجيج الموجود فيها، لكنه يفشل في تعميم قدراته التنبؤية على مجموعات البيانات الأخرى. فعندما يعاني نموذج التعلم الآلي من مشكلة فرط الملاءمة سيعطي نتائج عالية الدقة مع بيانات التدريب، بينما ستنخفض دقته بشكل ملحوظ مع أي بيانات مستقبلية؛ مما سيؤثر على قراراته.
يؤدي الإفراط في التخصيص إلى مشاكل كارثية عند استخدام النماذج التي تعاني من هذه المشكلة في الأعمال. فعلى سبيل المثال في حال تطوير نموذج للتنبؤ باحتمال عدم سداد العملاء للقروض التي يمنحها بنك ما دون اتخاذ إجراءات لتفادي حدوث مشكلة الإفراط في التنبؤ، قد تكون دقة هذا النموذج 95% مثلاً بالنسبة لبيانات التدريب؛ وبالتالي سيعتقد المطورون أنّه ملائم وسيتم استخدامه من قبل البنك. لكن في حال عانى من المشكلة بالفعل من الممكن أن تنخفض الدقة إلى 60% مثلاً بالنسبة للبيانات المستقبلية؛ وبالنتيجة سيتخذ قرارات منح قروض خاطئة وسيتسبب بخسائر كبيرة لذلك البنك.
