Ein Unternehmen hat ein Modell zur Vorhersage von Artikelpreisen entwickelt. Das Modell zeigte gute Leistungen bei den Trainingsdaten, aber seine Leistung verschlechterte sich nach der Bereitstellung erheblich. Was sollte das Unternehmen tun, um dieses Problem zu beheben?

Das Problem, dass ein Modell bei Trainingsdaten gut abschneidet, aber nach der Bereitstellung schlecht, deutet stark auf Overfitting hin. Das Modell hat die Trainingsdaten zu genau gelernt, einschließlich Rauschen, und kann daher nicht gut auf neue, ungesehene Daten generalisieren. Eine Erhöhung der Menge der für das Training verwendeten Daten hilft dem Modell, robustere Muster zu lernen und weniger anfällig für das Auswendiglernen spezifischer Trainingsbeispiele zu sein. Das Reduzieren der Trainingsdaten würde das Overfitting wahrscheinlich verschlimmern. Das Hinzufügen weiterer Hyperparameter könnte die Modellkomplexität erhöhen und das Overfitting weiter fördern. Eine Erhöhung der Trainingszeit kann bei Unterfitting helfen, aber bei Overfitting ist es unwahrscheinlich, dass es die Generalisierungsfähigkeit verbessert, und könnte das Problem sogar verschärfen, wenn das Modell nur noch mehr Rauschen lernt.