Ein ML-Modell prognostiziert die Kundenabwanderung auf Trainingsdaten gut, versagt aber bei neuen Daten. Welche Änderung behebt dieses Overfitting-Problem am ehesten?

Overfitting tritt auf, wenn ein Modell die Trainingsdaten zu gut lernt, einschließlich des Rauschens, und dadurch bei neuen, ungesehenen Daten schlecht abschneidet. Das Erhöhen des Regularisierungsparameters (z.B. bei L1- oder L2-Regularisierung) bestraft große Koeffizienten und zwingt das Modell, einfachere Muster zu lernen. Dies reduziert die Modellkomplexität und verbessert die Generalisierungsfähigkeit. Das Verringern des Regularisierungsparameters würde die Komplexität erhöhen und das Overfitting verschlimmern. Das Hinzufügen weiterer Eingabefeatures kann Overfitting verstärken, wenn diese Features nicht relevant sind oder das Modell bereits überkomplex ist. Das Trainieren für mehr Epochen kann ebenfalls zu Overfitting führen, da das Modell die Trainingsdaten noch detaillierter auswendig lernt.