Overfitting – was bedeutet das?

Overfitting bezeichnet ein Problem beim maschinellen Lernen (Machine Learning), bei dem ein Modell zu stark an die Trainingsdaten angepasst wird. Es „lernt“ nicht nur die eigentlichen Muster, sondern auch Zufälligkeiten oder Fehler in den Daten. Dadurch funktioniert es auf neuen, unbekannten Daten nicht mehr zuverlässig.

Ein überangepasstes Modell hat also eine sehr hohe Genauigkeit beim Training, aber eine schlechte Leistung in der Praxis. Ziel ist es, beim Trainieren ein gutes Gleichgewicht zwischen Lernen und Verallgemeinern zu finden.

Beispiel:

Ein KI-Modell wird mit Bildern von Hunden und Katzen trainiert. Wenn es dabei jedes Detail der Trainingsbilder „auswendig lernt“, erkennt es nur diese spezifischen Fotos wieder – aber nicht neue Hunde oder Katzen. Das Modell ist dann overfitted und nicht generalisierungsfähig.

Overfitting gehört zum Themenfeld Künstliche Intelligenz
und wird häufig im Zusammenhang mit Generativer KI und Machine Learning genannt.

Mehr Definitionen diesbzgl. finden Sie im
AZ-COM Glossar zur KI & Generative AI.
Für interessante Anregungen, themenbezogene Beiträge und Aktuelles lesen Sie hier auf: AZ-COM Blog.