Was ist Overfitting (Überanpassung)

Definition

Overfitting (Überanpassung) beschreibt ein Phänomen im Machine Learning, bei dem sich ein Modell zu stark an die spezifischen Details und das Rauschen der Trainingsdaten anpasst. Dadurch erzielt das Modell zwar hervorragende Ergebnisse auf den bekannten Trainingsdaten, verliert aber seine Generalisierungsfähigkeit und scheitert bei der Anwendung auf neue, ungesehene Daten.

Erklärung

Im B2B- und SaaS-Kontext stellt Overfitting ein erhebliches Risiko dar, da historische Daten häufig limitiert oder stark von saisonalen Effekten geprägt sind. Lernt ein Vorhersagemodell beispielsweise zur Bewertung von Verkaufschancen (Deal Scoring) irrelevante Details der Trainingsdaten auswendig, wird es bei neuen potenziellen Kunden falsche Prognosen liefern. Das Modell hat in diesem Fall kein tieferes Verständnis für die eigentlichen Erfolgsfaktoren entwickelt, sondern lediglich Rauschen mit gelernt. Um Overfitting frühzeitig zu erkennen, werden Datensätze in getrennte Trainings- und Testdaten aufgeteilt. Als wirksame Gegenmaßnahmen im B2B-Software-Entwicklungsprozess dienen Techniken wie die Regularisierung, das Reduzieren der Modellkomplexität, Data Augmentation sowie das vorzeitige Beenden des Trainingsprozesses (Early Stopping).