Een deep learning-model is aan het overfitten (goed op training, slecht op nieuwe data). Welke actie zal de generalisatie naar nieuwe data verbeteren?

Overfitting treedt op wanneer een model de trainingsdata te goed leert, inclusief ruis, waardoor het slecht presteert op nieuwe, ongeziene data. Om de generalisatie te verbeteren, zijn twee belangrijke strategieën effectief: 1. Vergroot de omvang van de trainingsdataset: Meer data helpt het model om robuustere patronen te leren en vermindert de kans dat het model specifieke ruis in een kleinere dataset memoriseert. Met meer voorbeelden kan het model de onderliggende relaties beter onderscheiden van willekeurige variaties. 2. Verklein het aantal invoerfeatures (feature selection/engineering): Door minder relevante of redundante features te verwijderen, wordt het model eenvoudiger en minder complex. Een eenvoudiger model heeft minder parameters om te leren en is daardoor minder geneigd om te overfitten op de trainingsdata. De andere opties zijn incorrect omdat: Het vergroten van het aantal features bij overfitting de complexiteit van het model verder verhoogt, wat overfitting kan verergeren. Het verkleinen van de trainingsdataset ontneemt het model juist de kans om voldoende te leren, wat kan leiden tot underfitting of nog slechtere generalisatie.