Waarom is dit belangrijk?
Herkenning van overfitting maakt het mogelijk een model bij te sturen voordat het op nieuwe gevallen faalt. In de zorg helpt die controle voorkomen dat een model bij nieuwe patiënten slechter presteert dan eerdere tests lieten zien. Voor leerlingen, onderzoekers en zorgmedewerkers betekent dat een sterke score tijdens de ontwikkeling geen bewijs is dat een latere voorspelling in de praktijk klopt.
Zo werkt het in de praktijk
Bij beeldgeneratie en bij technische procesmodellen komt overfitting voor. Stable Diffusion maakte een foto van Anne Graham Lotz bijna gelijk aan een trainingsfoto. Het NIST-handboek laat zien dat extra termen in een procesmodel toevallige variatie meenemen.
Onderzoekers vergelijken de trainingsfout met de fout op een validatieset. Stijgt de validatiefout terwijl de trainingsfout daalt, dan wijst dat op overfitting. Bij diepe neurale netwerken onderzoeken zij ook benign overfitting, een precieze fit die toch generaliseert naar nieuwe data.
Kruisvalidatie test een model op data buiten de training, en regularisatie straft een te complex model. Het NIST-handboek gebruikt een t-toets per parameter om te controleren of een extra term nodig is.




