Informatik KI – Overfitting und Regularisierung
Overfitting führt dazu, dass Modelle Trainingsdaten auswendig lernen statt Muster zu verallgemeinern. Diese Karten vermitteln dir die Erkennung von Overfitting, die Wirkung von L1/L2-Regularisierung und Dropout sowie die Bias-Varianz-Abwägung. Nach dem Lernen kannst du Regularisierung gezielt einsetzen, um Generalisierungsfehler zu minimieren.
Lernziele
Was du in dieser Lektion lernst
- Was ist Overfitting in Machine Learning?
- Wie erkennst du Overfitting an Lernkurven?
- Was beschreibt der Bias-Varianz-Tradeoff?
- Wie wirkt L2-Regularisierung (Gewichtszerfall) auf die Gewichte?
Lerntipp
Visualisiere Lernkurven (Training vs. Validierungs-Loss) über Epochen: Divergierende Kurven signalisieren Overfitting – dann regularisiere schrittweise (Dropout-Rate, Lambda) und beobachte, wann Validierungs-Loss minimal wird.
Hinweis: Der Inhalt dieser Seite wurde mit einem KI-Modell erzeugt und nicht von Fachmenschen geprüft. Nutze die Karten als Lernhilfe und gleiche medizinische oder rechtliche Aussagen mit deinen Unterlagen ab.
Karteikarten
Alle 14 Lernkarten
Tippe auf eine Karte, um die Antwort aufzudecken
Häufige Fragen
Die wichtigsten Fragen zu Informatik KI – Overfitting und Regularisierung
- Was ist Overfitting in Machine Learning?
- Overfitting tritt auf, wenn ein Modell Trainingsdaten inklusive Rauschen auswendig lernt und auf neuen Daten schlecht generalisiert.
- Wie erkennst du Overfitting an Lernkurven?
- Trainings-Loss sinkt weiter, Validierungs-Loss steigt nach Minimum wieder an – Kurven divergieren deutlich.
- Was beschreibt der Bias-Varianz-Tradeoff?
- Bias-Varianz-Tradeoff beschreibt: Hohes Bias (Underfitting) vs. hohe Varianz (Overfitting) – optimales Modell balanciert beide Fehlerquellen.
- Wie wirkt L2-Regularisierung (Gewichtszerfall) auf die Gewichte?
- L2 addiert quadratische Gewichte zum Loss, drückt alle Gewichte Richtung null ohne sie exakt null zu setzen.
- Wie unterscheidet sich L1-Regularisierung von L2?
- L1 addiert Beträge der Gewichte, erzeugt spärliche Modelle mit exakt null Gewichten – eignet sich für Feature Selection.
Warum Atrio?
- FSRS-5 Spaced Repetition
- Der Algorithmus plant jede Wiederholung anhand deiner eigenen Lernhistorie und stellt Karten kurz bevor du sie vergisst – das reduziert unnötige Wiederholungen.
- KI-Import
- Notizen, Skripte und PDFs in Sekunden in Lernkarten verwandeln – genau wie diese Seite automatisch entsteht.
- Prüfungsplanung
- Termine hinterlegen und Atrio berechnet rückwärts, wie viele Karten du pro Tag lernen musst – ohne Stress.
Interaktiv lernen
Diese 14 Karten jetzt interaktiv in der Atrio-App lernen
Atrio zeigt dir jede Karte dann, wenn du sie fast vergessen hättest – damit bleibt genau das hängen, was du lernst.
Starter-Plan kostenlos – keine Kreditkarte erforderlich.