Auswendiglernen ist kein Verstehen (Overfitting & Regularisierung)

Wenn Netze auswendig lernen statt zu verstehen — und was Dropout & Co. dagegen tun (Overfitting, Regularisierung).

👋 HerrKI hier — heute retten wir dein Modell vor sich selbst

🧭 Einfach gesagt: Wer jede Übungsaufgabe auswendig lernt, scheitert in der echten Prüfung — genau das droht auch deinem Netz, wenn niemand gegensteuert.

Kennst du den Mitschüler, der vor der Arbeit alle Übungsaufgaben auswendig gelernt hat? In der Übung: fehlerfrei. In der Klassenarbeit mit neuen Aufgaben: Blackout. Genau das passiert neuronalen Netzen ständig — es heißt Overfitting: 99 % richtig auf den Trainingsdaten, 60 % auf neuen Daten. Heute lernst du die Gegenmittel, die jedes Produktiv-Modell braucht.

🎯 Was du hier lernst:

✅ Woran du Overfitting erkennst (Auswendiglernen statt Verstehen)
✅ Was Dropout runter zum Tensor wirklich tut: Neuronen zufällig auf 0 setzen
✅ Wie L2-Regularisierung die Gewichte klein und „bescheiden“ hält
✅ Warum das alles nur mit sauber getrennten Test-Daten überhaupt auffällt
✅ Das Duell zweier Modelle auf denselben Daten — und der Praxistest an einer neuen Schülerin

🔗 Direkt anknüpfend: In „Trainieren, prüfen, bestehen“ hast du gelernt, Daten in Training und Test zu trennen — und was „Schummeln“ anrichtet. Hier siehst du jetzt den Ernstfall, für den diese Trennung erfunden wurde: Ohne Testdaten würdest du Overfitting nie bemerken — dein Modell sähe perfekt aus und wäre draußen nutzlos.

🧅 Runter zum Tensor: Was machen Dropout und L2 wirklich?

Das „Wissen“ deines Netzes steckt in seinen Gewichts-Tensoren — großen Paketen gelernter Zahlen (seit „Was ist ein Neuronales Netz?“). Hier geht EINE Zahl hinein (die Lernstunden) und läuft durch 32 Neuronen [1, 32], dann durch 16 [32, 16]. Beide Gegenmittel greifen genau dort an:

1Dropout(0.3): In jedem Trainingsschritt werden zufällig 30 % der Neuronen kurz auf 0 gesetzt — als müsste dein Team jede Woche ohne ein paar zufällige Kollegen auskommen. So sieht das für eine Schülerin mit 15 Lernstunden aus, 6 der 32 Neuronen herausgegriffen:

Aktivierungen  [ 0.80  1.40  0.00  2.10  0.60  1.90 ]

würfeln, 30 % raus (hier Neuron 2 und 5):
               [ 0.80  0.00  0.00  2.10  0.00  1.90 ]

Rest ×1/(1−0.3) = ×1.43, damit die Summe im Schnitt stimmt:
               [ 1.14  0.00  0.00  3.00  0.00  2.71 ]

Kein Neuron kann sich auf ein anderes verlassen, keins darf ein einzelnes Trainingsbeispiel „auswendig“ speichern: Das Wissen verteilt sich robust über den ganzen Tensor.

2L2-Regularisierung: Große Gewichte = steile, zackige Vorhersagekurven, die sich um jeden einzelnen Datenpunkt winden. L2 addiert die quadrierten Gewichte — mal 0.01 — auf den Fehler. Drei Gewichte als Kostprobe:

ohne L2, auswendig gelernt:  [ 12.40  −9.80   7.10 ]
  Strafe = 0.01 × (12.40² + 9.80² + 7.10²)
         = 0.01 × 300.21 = 3.00

mit L2, bescheiden:          [  0.80  −0.60   0.50 ]
  Strafe = 0.01 × ( 0.80² +  0.60² +  0.50²)
         = 0.01 ×   1.25 = 0.01

3.00 zusätzlicher Fehler tut dem Optimierer weh, 0.01 juckt ihn nicht — dieser sanfte Dauerdruck zieht die Gewichte klein und die Vorhersagekurve glatt. Das Netz darf sich also weiter anstrengen, aber es muss seine Übertreibungen bezahlen.

📊 So teilen wir die Daten auf

🎓 Trainingsdaten (80%)
Daraus lernt das Modell
(nur diese Noten sieht es beim Üben!)

✅ Testdaten (20%)
Die „Klassenarbeit“
(beim Training komplett unsichtbar!)

📊 Alle Datenpunkte

30 Schülerinnen und Schüler, ihre Lernstunden pro Woche und die Prüfungsnote — mit realistischem Rauschen (auch wer viel lernt, erwischt mal einen schlechten Tag). Genau dieses Rauschen ist die Falle: Ein überangepasstes Modell lernt den schlechten Tag mit auswendig.

Student	📚 Lernstunden/Woche	📝 Prüfungsnote (1-6)	Daten-Set

🎓 Das Duell: Zwei Modelle, gleiche Daten

⚙️ Hyperparameter

Beide Modelle bekommen exakt dieselben Daten und Einstellungen. Der einzige Unterschied: Modell 1 trainiert ohne, Modell 2 mit Dropout + L2. Möge das ehrlichere gewinnen.

🔄 Epochen:

📈 Lernrate:

🔍 Worauf du beim Ergebnis achten solltest: Schau nicht auf den Trainings-Fehler — schau auf die Lücke zwischen Training und Test. Kleiner Trainingsfehler + großer Testfehler = auswendig gelernt. Das regularisierte Modell darf beim Training ruhig „schlechter“ aussehen; auf den Testdaten zahlt sich die Bescheidenheit aus.

🔮 Der Praxistest: eine neue Schülerin

Gib Lernstunden ein, die nicht in den Daten vorkommen (z. B. 15,5) — also ein Fall, den beide Modelle noch nie gesehen haben. Welches tippt plausibler?

📚 Lernstunden pro Woche:

🔙 Zurück zur Anwendung

Denk noch einmal an den Mitschüler vom Anfang, der alle Übungsaufgaben auswendig konnte und in der Klassenarbeit trotzdem einbrach. Genau seine Krankheit hast du eben bei einem Modell gesehen — und du hast die zwei Gegenmittel selbst ausprobiert. Ab jetzt schaust du bei jeder Genauigkeits-Angabe zuerst auf die Lücke zwischen Training und Test, denn nur die verrät, ob ein Modell verstanden oder auswendig gelernt hat.

🏁 Damit hast du den Praxis-Werkzeugkasten komplett: Daten zu Tensoren machen, Modelle trainieren, ehrlich prüfen und robust halten. Jetzt wird der Werkzeugkasten breiter: In „Sehen lernen: Faltung, Filter, Pooling“ bekommt dein Netz Augen — es sucht Muster im Bild, statt Pixel einzeln anzustarren. In „Der Flaschenhals“ presst ein Netz Daten durch eine enge Stelle und baut sie daraus wieder auf. Und in „Zeitreihen: fortschreiben oder klassifizieren“ geht es um Daten, bei denen die Reihenfolge zählt. Danach wird es aktuell: Im Bereich „Aktuell“ wartet z. B. der Latent Space — die geheime Landkarte, auf der moderne KI denkt.

📚 Zum Weiterlesen

Die Original-Arbeit zu Dropout: Nitish Srivastava, Geoffrey Hinton u. a., „Dropout: A Simple Way to Prevent Neural Networks from Overfitting“, JMLR 2014 — jmlr.org/papers/v15/srivastava14a.html
Regularisierung im Überblick: Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, Kapitel 7 „Regularization for Deep Learning“ (frei online) — deeplearningbook.org/contents/regularization.html
Overfitting kompakt und mit Grafiken: Google Machine Learning Crash Course, Overfitting — developers.google.com → Overfitting

🧠 Kurzer Check — hast du es?

1. Beim Training sinkt der Trainings-Fehler weiter, aber der Test-Fehler steigt. Was passiert hier?

2. Was macht Dropout während des Trainings?

3. Modell A: Training 1 % Fehler, Test 12 %. Modell B: Training 5 %, Test 6 %. Welches nimmst du mit in die echte Welt?

✅ Das nimmst du mit

Overfitting heißt auswendig lernen. Der Trainings-Fehler sinkt weiter, der Test-Fehler steigt — die Lücke zwischen beiden ist der Warnblick.
Dropout schaltet zufällig Neuronen ab. 30 % der Aktivierungen auf 0, der Rest ×1,43 hochskaliert — so verteilt sich das Wissen über den ganzen Tensor.
L2 macht große Gewichte teuer. 0,01 × Summe der Quadrate: 3,00 Strafe tut dem Optimierer weh, 0,01 juckt ihn nicht — die Kurve wird glatt statt zackig.
Ohne sauber getrennte Testdaten merkst du gar nichts. Das Modell sähe perfekt aus und wäre draußen nutzlos.
Es zählt nur der Testfehler. Modell B mit 5 %/6 % schlägt Modell A mit 1 %/12 % — bescheiden und ehrlich gewinnt gegen brillant und auswendig.

📎 So zitierst du dieses Kapitel

HerrKI: Auswendiglernen ist kein Verstehen (Overfitting & Regularisierung). herrki.de/240_overfitting_regularisierung, ein privates Hobbyprojekt von Terragon.de, abgerufen am 4. November 2026.

Lizenz: CC BY 4.0 — frei nutzen, teilen, anpassen. Nennung: „HerrKI (herrki.de), ein privates Hobbyprojekt von Terragon.de“.

📄 Handout als PDF (für Lehrkräfte, mit Lösungen)

War dieses Kapitel verständlich?

Freiwillig und anonym: gespeichert werden nur das Kapitel, deine Wertung und dein Text — sonst nichts. Keine Kennung, kein Cookie, kein Konto.