Was ist Überanpassung und wie bekämpft man sie?

Overfitting (Überanpassung) ist eine Situation, in der ein Machine-Learning-Modell zu gut an die Trainingsdaten angepasst ist, einschließlich Rauschen und zufälliger Schwankungen, und schlecht auf neue Daten generalisiert.

So bekämpft man Overfitting:

• Mehr Daten für das Training verwenden.
• Regularisierung (L1, L2) — Hinzufügen von Strafen für die Komplexität des Modells.
• Frühes Stoppen — das Training beenden, wenn die Validierungsqualität zu verschlechtern beginnt.
• Kreuzvalidierung — zur Bewertung der Generalisierungsfähigkeit.
• Komplexität des Modells verringern — z.B. die Anzahl der Parameter reduzieren.
• Datenaugmentation — zusätzliche Trainingsbeispiele erstellen.

Beispiel für Regularisierung in Python mit sklearn:

from sklearn.linear_model import Ridge
model = Ridge(alpha=1.0)  # L2-Regularisierung
model.fit(X_train, y_train)