Naar inhoud
BetaAI Begrippen

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

Early stopping

Engels: Early stopping

In het kort

Early stopping is een methode die het trainen van een model voor machine learning op tijd laat stoppen. Bij elke ronde past het model zich beter aan de trainingsgegevens aan, maar na een punt stijgt de fout op nieuwe gegevens. De methode meet die fout op aparte gegevens die niet meedoen aan het trainen, en bewaart de versie die daar het beste presteert.

Waarom is dit belangrijk?

Een model kan ook bij lang trainen toevallige ruis gaan volgen in plaats van de echte patronen in de gegevens. In de zorg passen onderzoekers early stopping toe bij het trainen van modellen voor medische beelden, om rekentijd te sparen. Voor teams die zulke modellen bouwen, helpt dat de uitkomst bruikbaar te houden, maar verschillende stopregels geven duidelijk andere uitkomsten.

Zo werkt het in de praktijk

Ontwikkelaars gebruiken early stopping in Keras, een bibliotheek om neurale netwerken te trainen. Zij koppelen de module EarlyStopping aan het trainingsproces. Die module kan na afloop de beste modelversie terugzetten.

In de statistische leertheorie berekenen onderzoekers het stopmoment al vóór de start. Zij doen dat met een bovengrens die afhangt van het aantal stappen. Bij boosting, zoals AdaBoost, laat early stopping de uitkomst dichter bij de echte oplossing komen als er meer voorbeelden bijkomen.

In scikit-learn zit early stopping als schakelaar bij lineaire modellen zoals SGDClassifier. Instellingen bepalen welk deel ter controle dient en hoe groot een verbetering moet zijn. Het trainen stopt na een reeks stappen zonder voldoende verbetering.

Bron: en.wikipedia.org

Gecontroleerd op 5 november 2026