Een ML-model voorspelt klantverloop goed op trainingsdata, maar faalt op nieuwe data. Welke verandering zal dit overfitting-probleem waarschijnlijk oplossen?

Overfitting treedt op wanneer een model te goed leert van de trainingsdata, inclusief ruis, en daardoor slecht presteert op nieuwe, ongeziene data. Het verhogen van de regularisatieparameter straft complexe modellen af, waardoor het model wordt gedwongen om eenvoudigere patronen te leren die beter generaliseren. Dit vermindert de modelcomplexiteit en helpt overfitting te bestrijden. Het verlagen van de regularisatieparameter zou het model complexer maken, wat overfitting zou verergeren. Het toevoegen van meer invoerfuncties kan het model complexer maken en overfitting mogelijk verergeren, tenzij de functies zeer relevant zijn. Het trainen van het model voor meer epochs kan ook leiden tot overfitting, vooral als het model al goed presteert op de trainingsdata.