Überanpassung heißt, dass ein Modell seine Trainingsbeispiele auswendig lernt und bei neuen Fällen schlecht abschneidet.
Beispiel
Ein Modell erkennt alle Fotos aus dem Training perfekt, versagt aber bei Fotos mit anderem Licht.
Für Profis
Man erkennt es daran, dass der Fehler auf Testdaten steigt, während er auf Trainingsdaten sinkt. Gegenmittel sind mehr und vielfältigere Daten, Regularisierung und früheres Stoppen. Auch Benchmarks können „überangepasst“ werden, wenn Testaufgaben in Trainingsdaten gelangen.
