Kurz-Fakten
- Merkmal: sehr gute Trainingswerte, deutlich schlechtere Testwerte
- Gegenmittel: mehr Daten, Regularisierung, Dropout, frühes Abbrechen
- Underfitting zeigt sich in schlechten Werten auf beiden Mengen
- Sichtbar wird beides nur, wenn eine Testmenge zurückgehalten wurde
Bedeutung in der Praxis
Overfitting ist ein Messproblem, bevor es ein Modellproblem ist. Wer keine sauber getrennte Testmenge hat, sieht es nicht – und stellt es erst im Betrieb fest.
Bei sehr großen Modellen verhält sich der Zusammenhang komplizierter als in Lehrbüchern; die praktische Regel bleibt trotzdem, auf zurückgehaltenen Daten zu bewerten.