Naar inhoud
BetaAI Begrippen

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

Regularisatie

Engels: Regularization · Ook wel: regularization, regularisation

In het kort

Regularisatie is een groep technieken tegen overaanpassing, waarbij een lerend model de trainingsvoorbeelden te precies volgt. Tijdens het trainen krijgen te grote gewichten een straf, vallen willekeurige onderdelen tijdelijk weg, of stopt het leren zodra de score op aparte voorbeelden daalt. Het getrainde model onthoudt daardoor minder toevallige details van de trainingsset en herkent stabiele patronen die ook bij nieuwe gegevens kloppen.

Waarom is dit belangrijk?

Een eenvoudiger model maakt voorspellingen beter te volgen en houdt ze bruikbaar wanneer de situatie verandert. In de zorg helpt dat bij een korte test die een ziekte voorspelt, met minder metingen en toch voldoende voorspellende kracht. Patiënten en zorgverleners merken regularisatie in zo'n test terug, maar het effect verschilt per soort gegevens en de score wordt niet altijd beter.

Zo werkt het in de praktijk

Analisten passen regularisatie toe in statistiek, signaalverwerking en financiële wiskunde. De bibliotheek scikit-learn biedt ridge-regressie voor regressie en classificatie. Lasso zet sommige coëfficiënten op nul en past bij compressed sensing, zoals tomografie.

Een onderzoekslijn behandelt de mogelijke vormen van regularisatie. Die lijn koppelt een expliciete straf aan een kans vooraf in de bayesiaanse statistiek. Het doel is een lagere fout op ongeziene testgegevens.

In scikit-learn kiezen teams de strafsterkte met kruisvalidatie, een test op wisselende datadelen. RidgeCV laat daarvoor standaard telkens één voorbeeld weg. GridSearchCV kan die test ook in tien delen doen.

Bron: en.wikipedia.org

Gecontroleerd op 5 november 2026