Overfitting passiert, wenn dein Modell die Trainingsdaten auswendig lernt statt generalisierbare Muster zu erkennen. Stell dir vor, du lernst für eine Prüfung, indem du alte Klausuren auswendig paust. Kommen genau diese Aufgaben, perfekt. Kommt was Neues, Totalausfall. Genauso funktioniert ein overfittetes Modell. Die Symptome sind eindeutig: Trainingsgenauigkeit bei fünfundneunzig Prozent, Testgenauigkeit bei sechzig. Riesige Lücke zwischen beiden. Das Modell hat Rauschen und Zufälligkeiten in den Trainingsdaten als echte Muster interpretiert. Komplexe Modelle mit vielen Parametern sind besonders anfällig. Ein neuronales Netz mit zehn versteckten Schichten für einen simplen Datensatz? Garantiertes Overfitting. Zu wenig Trainingsdaten verschärfen das Problem. Regularisierung hilft. L1 und L2 Regularisierung bestrafen zu große Gewichte im Modell, zwingen es zur Einfachheit. Dropout bei neuronalen Netzen schaltet zufällig Neuronen ab während des Trainings. Klingt kontraproduktiv, verhindert aber, dass sich das Netz auf spezifische Pfade verlässt. Early Stopping bedeutet: Trainiere nicht bis zur Perfektion auf den Trainingsdaten, sondern höre auf, wenn die Validierungsperformance nicht mehr besser wird. Cross-Validation zeigt dir, ob dein Modell wirklich robust ist oder nur Glück mit dem Train-Test-Split hatte.