Wat is overfitting?

Overfitting treedt op wanneer een model te goed leert van de trainingsdata, inclusief ruis en toevalligheden. Het model presteert daardoor uitstekend op bekende data, maar slecht op nieuwe, onbekende data. In plaats van algemene patronen te leren, onthoudt het model specifieke voorbeelden.

Dit artikel is onderdeel van de AI Woordenlijst op De Wereld van AI. Daar vind je een overzicht van alle belangrijke AI-begrippen.

Hoe overfitting ontstaat

Overfitting ontstaat vaak door:

  • Te weinig trainingsdata
  • Een te complex model voor het probleem
  • Te lang doortrainen
  • Data met veel ruis of fouten

Het model past zich steeds verder aan om fouten in de trainingsset te minimaliseren, maar verliest daarbij zijn vermogen om te generaliseren.

Voorbeeld van overfitting

Stel dat een model katten moet herkennen. In de trainingsdata staan bijna alle katten op een bank. Het model kan daardoor onbedoeld de bank gebruiken als herkenningspunt, in plaats van de kenmerken van een kat te leren. Op de trainingsfoto’s scoort het model uitstekend, maar een kat in een tuin herkent het mogelijk niet. Het model heeft de trainingsvoorbeelden te letterlijk geleerd en kan daardoor slecht generaliseren naar nieuwe situaties.

Hoe herken je overfitting

Typische signalen:

  • Zeer hoge nauwkeurigheid op trainingsdata
  • Duidelijk slechtere prestaties op validatie- of testdata
  • Sterke schommelingen tijdens validatie

Dit wordt vaak zichtbaar tijdens modelvalidatie.

Hoe overfitting wordt voorkomen

Overfitting kun je beperken door te voorkomen dat een model de trainingsdata te letterlijk leert. Hiervoor worden verschillende technieken gebruikt.

Meer en gevarieerdere trainingsdata gebruiken

Met meer verschillende voorbeelden leert het model beter welke patronen algemeen gelden. Het wordt daardoor minder afhankelijk van toevalligheden in een kleine dataset.

Het model eenvoudiger maken

Een ingewikkeld model kan kleine details en ruis sneller onthouden. Een eenvoudiger model richt zich vaker op de belangrijkste patronen.

Regularisatie toepassen

Regularisatie remt het model af wanneer het te veel waarde hecht aan afzonderlijke kenmerken. Technieken zoals L1 en L2 zijn verschillende manieren om die rem toe te passen. De precieze berekening is vooral relevant voor technische gebruikers.

Op tijd stoppen met trainen

Bij early stopping wordt de training beëindigd zodra de prestaties op nieuwe controlegegevens niet meer verbeteren. Zo krijgt het model minder kans om de trainingsvoorbeelden te gaan onthouden.

Verbindingen tijdelijk uitschakelen

Bij neurale netwerken kan tijdens de training steeds een willekeurig deel van het netwerk worden uitgeschakeld. Deze techniek heet dropout. Het netwerk leert daardoor niet op enkele vaste verbindingen te vertrouwen.

Vaak wordt een combinatie van deze technieken gebruikt. Het doel blijft hetzelfde: goede prestaties op nieuwe gegevens, niet alleen op de trainingsdata.

Relatie met AI en ethiek

Een overfit model kan onbetrouwbare of oneerlijke beslissingen nemen, vooral wanneer het wordt ingezet in de praktijk. Het lijkt accuraat, maar faalt bij echte gebruikers of nieuwe situaties. Daarom is overfitting niet alleen een technisch probleem, maar ook relevant binnen AI & Ethiek.

Veelgestelde vragen over overfitting

Wat is het verschil tussen overfitting en underfitting?

Bij overfitting leert een model de trainingsdata te specifiek en presteert het slechter op nieuwe data. Bij underfitting leert het model juist te weinig patronen, waardoor het zowel op trainingsdata als op nieuwe data slecht presteert.

Hoe zie je dat een model overfit?

Een belangrijk signaal is een groot verschil tussen de prestaties op trainingsdata en validatie- of testdata. Het model scoort dan zeer goed op bekende voorbeelden, maar duidelijk slechter op gegevens die het niet tijdens de training heeft gezien.

Kun je overfitting volledig voorkomen?

Overfitting is niet altijd volledig te voorkomen, maar het risico kan sterk worden verkleind. Meer representatieve trainingsdata, een eenvoudiger model, regularisatie, early stopping en goede modelvalidatie helpen om beter te generaliseren.

Verder leren

Wil je begrijpen hoe modellen leren zonder te overfitten en hoe je dit in de praktijk herkent? In de gratis basiscursus AI op De Wereld van AI wordt dit stap voor stap uitgelegd.

Kijk je liever video’s, dan vind je op het YouTube kanaal De Wereld van AI duidelijke uitleg over AI in gewone taal en zonder technisch jargon.

Gerelateerde termen