Overfitting
Modell lernt Trainingsdaten auswendig statt zu verallgemeinern.
Overfitting (Überanpassung) liegt vor, wenn ein Modell die Trainingsdaten zu genau lernt, einschließlich Rauschen und Zufälligkeiten, und deshalb bei neuen Daten schlechter abschneidet. Gegenmittel sind mehr Daten, Regularisierung, Dropout und ein früher Trainingsstopp. Das Gegenstück ist Underfitting.