---
term: "Early Stopping"
slug: "early-stopping"
glossar_id: "G125"
variants: ["Frühzeitiger Trainingsstopp"]
category: "training-daten-und-modellanpassung"
marker: ""
short: "Vorzeitiger Trainingsstopp, etwa bei schlechter werdender Validierung."
sources:
  - label: "Google ML Glossary"
    url: "https://developers.google.com/machine-learning/glossary"
  - label: "PyTorch Saving and Loading Models"
    url: "https://docs.pytorch.org/tutorials/beginner/saving_loading_models.html"
status: "entwurf"
updated: "2026-09-20"
---

Early Stopping beendet ein Training, bevor der Trainingsverlust vollständig ausgeschöpft ist, um Überanpassung zu begrenzen. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary)) Ein typisches Signal ist eine schlechter werdende Leistung auf getrennten Validierungsdaten, obwohl sich das Modell auf den Trainingsdaten weiter verbessert. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary))

## So kannst du dir das vorstellen

Stell dir vor, du übst mit einem festen Fragenkatalog. Deine Antworten auf genau diese Fragen werden immer besser, bei neuen Aufgaben lässt deine Leistung nach einiger Zeit aber wieder nach.

Dann wäre „noch eine Runde mit denselben Aufgaben“ nicht automatisch die beste Entscheidung. Early Stopping entspricht im Bild dem Abbruch anhand der neuen Prüfaufgaben, nicht anhand der immer besseren Wiederholung der bekannten Fragen.

## Auf das richtige Signal schauen

Early Stopping gilt als Mittel gegen Überanpassung und orientiert sich an der Entwicklung des Validierungsverlusts. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary)) Trainings- und Validierungsdaten haben dabei unterschiedliche Rollen und sollten keine identischen Beispiele enthalten. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary))

Für deinen Versuch würde ich die Abbruchregel vorab festlegen. Definiere beispielsweise, welches Maß zählt und wie viele Prüfungen ohne ausreichende Verbesserung toleriert werden, statt auf einen einzelnen schwankenden Wert spontan zu reagieren.

## Stoppen und Auswählen sind zwei Entscheidungen

Sichere geeignete Modellzwischenstände und ordne ihnen die jeweilige Validierung zu. Ein Checkpoint kann die Gewichte und für eine Trainingsfortsetzung zusätzlich den Optimiererzustand enthalten. ([PyTorch Saving and Loading Models](https://docs.pytorch.org/tutorials/beginner/saving_loading_models.html))

Prüfe beim eingesetzten Werkzeug ausdrücklich, ob nach dem Stopp der beste beobachtete oder lediglich der letzte Zustand verwendet wird. Der Abbruchzeitpunkt und die Auswahl des auszuliefernden Modells sollten nicht stillschweigend gleichgesetzt werden.

Den abschließenden Testbestand würde ich erst für das ausgewählte Ergebnis heranziehen. So bleibt die Entscheidung über die Trainingsdauer von der späteren Qualitätsaussage möglichst klar getrennt.

## Verwandte Begriffe

Eng verbunden sind **Overfitting**, **Regularization**, **Validation Set**, **Checkpoint** und **Epoch**.