Naar inhoud
BetaAI Begrippen

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

Dropout

Engels: Dropout · Ook wel: dropout regularisatie, dropout-regularisatie, dropout regularization

In het kort

Dropout is een regularisatiemethode die overfitting tegengaat bij het trainen van kunstmatige neurale netwerken. De methode zet bij elke trainingsronde steeds opnieuw willekeurig de invoer of de uitvoer van een deel van de neuronen tijdelijk op nul. Die neuronen stemmen daardoor minder sterk op elkaar af, zodat een netwerk dat foto's herkent minder leunt op toevallige details uit de trainingsfoto's.

Waarom is dit belangrijk?

Een netwerk leert hierdoor patronen die ook voor nieuwe metingen gelden, en niet alleen voor de oefengegevens. In de wetenschap gebruiken onderzoekers dropout bij modellen die de temperatuur van rivierwater voorspellen uit luchttemperatuur, rivierafvoer en de stand van de zon. Dat levert minder vaak zwakke modellen op, maar een te sterke toepassing kan het trainen verstoren en de voorspelling slechter maken.

Zo werkt het in de praktijk

Onderzoekers van IBM en de University of Toronto trainden netwerken met dropout voor Engelstalig nieuws uit uitzendingen. De University of Toronto testte dropout ook op gesproken zinnen in de set TIMIT. In dat onderzoek deelden netwerken nieuwsartikelen van Reuters in op onderwerp.

Liu en collega’s onderzochten op de International Conference on Machine Learning of dropout ook helpt bij te weinig leren. Zij zetten dropout alleen aan het begin van de training aan en daarna uit. Die modellen haalden een lagere trainingsfout dan zonder dropout.

In de softwarebibliotheek PyTorch hoort dropout bij de trainingsstand. De laag past dan de uitkomst aan, zodat het gemiddelde gelijk blijft. In de teststand laat de laag elke waarde ongewijzigd door.

Bron: en.wikipedia.org

Gecontroleerd op 24 oktober 2026