---
term: "Regularization"
slug: "regularization"
glossar_id: "G129"
variants: ["Regularisierung"]
category: "training-daten-und-modellanpassung"
marker: ""
short: "Mechanismen zur Verringerung von Überanpassung."
sources:
  - label: "Google ML Glossary"
    url: "https://developers.google.com/machine-learning/glossary"
  - label: "PyTorch Dropout"
    url: "https://docs.pytorch.org/docs/2.13/generated/torch.nn.Dropout.html"
status: "entwurf"
updated: "2026-09-20"
---

Regularization oder Regularisierung bezeichnet Maßnahmen, die Überanpassung begrenzen sollen. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary)) Das Modell soll dadurch weniger stark auf zufällige Besonderheiten seiner Trainingsbeispiele zugeschnitten sein und besser auf neue Daten übertragen. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary))

## So kannst du dir das vorstellen

Stell dir vor, du entwirfst eine Kurve durch Messpunkte. Mit genügend Beweglichkeit könntest du versuchen, jede kleine Unregelmäßigkeit exakt nachzuzeichnen.

Du könntest aber auch Regeln vorgeben, die eine einfachere, weniger sprunghafte Anpassung bevorzugen. Dann passt die Kurve möglicherweise nicht mehr zu jedem bekannten Punkt perfekt, bildet den gewünschten Zusammenhang aber plausibler ab. Die Analogie erklärt die Absicht, nicht den Nachweis, dass eine bestimmte Einschränkung immer die richtige ist.

## Verschiedene Wege zum gleichen Ziel

- **Zusätzliche Strafanteile:** L1- und L2-Regularisierung beziehen Größe beziehungsweise Beträge von Gewichten in die Optimierung ein. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary))
- **Dropout:** Während des Trainings werden ausgewählte Aktivierungswerte zufällig auf null gesetzt. ([PyTorch Dropout](https://docs.pytorch.org/docs/2.13/generated/torch.nn.Dropout.html))
- **Early Stopping:** Ein früherer Trainingsabbruch anhand der Validierungsentwicklung kann ebenfalls Überanpassung begrenzen. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary))

Nicht jede dieser Maßnahmen verändert die Verlustfunktion auf dieselbe Weise. „Regularisierung“ ist daher ein Sammelbegriff für das Ziel und verschiedene Mechanismen.

## Mehr Trainingsfehler können der bessere Kompromiss sein

Stärkere Regularisierung kann den Trainingsverlust erhöhen, während die Leistung auf neuen Beispielen besser wird. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary)) Wird sie übertrieben, kann sie allerdings zu Underfitting beitragen. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary))

Beurteile die Stärke deshalb nicht allein danach, wie sauber das Modell die bekannten Beispiele trifft. Vergleiche geeignete Varianten auf getrennten Daten und prüfe, welche Fallgruppen profitieren oder verlieren.

Für eine verständliche Dokumentation würde ich die verwendete Maßnahme ausdrücklich nennen. Die Aussage „wir haben regularisiert“ ist weniger hilfreich als eine konkrete Beschreibung der Methode, ihrer Einstellung und des beobachteten Effekts.

## Verwandte Begriffe

Dazu gehören **Overfitting**, **Underfitting**, **Dropout**, **Early Stopping** und **Generalization**.