Naar inhoud
BetaAI Begrippen

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

Generalisatiefout

Engels: Generalization error · Ook wel: generalization error, generalisation error, out-of-sample error

In het kort

De generalisatiefout is een maat voor hoe nauwkeurig een leerprogramma uitkomsten voorspelt bij nog onbekende gegevens. Bij leren met voorbeelden en juiste antwoorden verschilt die fout van de score op de oefengegevens: het programma kan die voorbeelden bijna perfect nabootsen en toch missers maken bij nieuwe gevallen. Een lage generalisatiefout laat zien dat een spamfilter ook nieuwe berichten herkent die niet bij de oefenvoorbeelden zaten.

Waarom is dit belangrijk?

Het meten van de generalisatiefout helpt om een voorspelmodel bij te sturen voordat het beslissingen in de echte wereld ondersteunt. In de zorg kijken onderzoekers daarmee of modellen voor behandeluitkomsten ook kloppen bij patiënten uit een ander onderzoek. Een hoge generalisatiefout waarschuwt artsen en patiënten dat een advies dat in één studie sterk lijkt, bij een nieuwe groep toch kan falen.

Zo werkt het in de praktijk

Analisten schatten de generalisatiefout met kruisvalidatie. Zij trainen het leerprogramma op een deel van de gegevens en meten de fout op een testdeel dat het programma nog niet zag. In het project scikit-learn schat een dubbele kruisvalidatie de generalisatiefout als modelinstellingen worden gekozen.

De statistische leertheorie zoekt een kansgrens voor het verschil tussen generalisatiefout en fout op de oefengegevens. Die grens geldt als het leerprogramma stabiel genoeg is. Een stabiliteitstoets laat steeds een punt weg, en de fout daarop moet dalen als de steekproef groeit.

Kruisvalidatie toetst of een model te sterk op de oefengegevens past, want dat vergroot de generalisatiefout. Een dubbele kruisvalidatie houdt de keuze van instellingen apart van de laatste test. Zo blijft testinformatie buiten de schatting.

Bron: en.wikipedia.org

Gecontroleerd op 5 november 2026