Wat is overfitting en hoe er mee om te gaan?

Overfitting (overfitting) is een situatie waarin een machine learning-model te goed past bij de trainingsgegevens, inclusief ruis en willekeurige schommelingen, en slecht generaliseert naar nieuwe gegevens.

Hoe overfitting te bestrijden:

• Gebruik meer gegevens voor training.
• Regularisatie (L1, L2) — het toevoegen van straffen voor de complexiteit van het model.
• Vroegtijdig stoppen — stoppen met trainen wanneer de kwaliteit op de validatie begint te verslechteren.
• Cross-validatie — om de generalisatiecapaciteit te beoordelen.
• Verminder de complexiteit van het model — bijvoorbeeld het verminderen van het aantal parameters.
• Data-augmentatie — het creëren van extra trainingsvoorbeelden.

Voorbeeld van regularisatie in Python met sklearn:

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