Ein Deep-Learning-Modell ist überangepasst (Overfitting) (gut beim Training, schlecht bei neuen Daten). Welche Maßnahme verbessert die Generalisierung auf neue Daten?

Overfitting tritt auf, wenn ein Modell die Trainingsdaten zu gut lernt und dabei Rauschen und irrelevante Details aufnimmt, was zu schlechter Leistung bei neuen, ungesehenen Daten führt. Um die Generalisierungsfähigkeit zu verbessern, sollte man die Größe des Trainingsdatensatzes erhöhen. Ein größerer Datensatz bietet dem Modell mehr Beispiele, um die zugrunde liegenden Muster zu lernen, anstatt sich an spezifische Trainingsbeispiele anzupassen. Gleichzeitig sollte die Anzahl der Eingabemerkmale (Features) reduziert werden. Das Entfernen irrelevanter oder redundanter Merkmale hilft dem Modell, sich auf die wichtigsten Informationen zu konzentrieren und die Komplexität zu verringern, was das Risiko des Overfittings mindert. Die anderen Optionen würden das Overfitting entweder verschlimmern oder nicht effektiv beheben, da sie entweder den Datensatz verkleinern oder die Anzahl der Merkmale erhöhen, was beides die Modellkomplexität erhöht oder die Lernbasis verringert.