Overfitting ist ein Problem, das auftritt, wenn ein Computer zu gut auswendig lernt und nicht gut auf neue Daten reagieren kann. Stell dir vor, du lernst für einen Test, indem du alle Antworten auswendig lernst, anstatt die Konzepte zu verstehen. Wenn im Test dann neue Fragen kommen, kannst du sie nicht beantworten, weil du nur die alten Antworten kennst.
Beim maschinellen Lernen passiert Overfitting, wenn der Computer die Trainingsdaten so gut lernt, dass er die genauen Muster dieser Daten auswendig kann. Aber wenn er neue, unbekannte Daten sieht, macht er Fehler, weil er nur die speziellen Muster der Trainingsdaten kennt und nicht die allgemeinen Regeln.
Overfitting bedeutet also, dass der Computer zu sehr auf die Trainingsdaten fixiert ist und deswegen schlecht mit neuen Daten umgehen kann.
