Overfitting treedt op wanneer een AI-model tijdens de training te goed leert van de trainingsdata — zo goed dat het de specifieke patronen, ruis en uitzonderingen van die data begint te onthouden in plaats van algemene regels te leren. Het gevolg is een model dat uitstekend presteert op de data waarop het getraind is, maar slecht generaliseert naar nieuwe, onbekende data.

Een overfit model heeft in feite de trainingsdata uit het hoofd geleerd in plaats van de onderliggende structuur te begrijpen. Dit is vergelijkbaar met een student die examenvragen van vorige jaren uit het hoofd leert zonder de stof echt te begrijpen — bij een nieuw examen gaat het mis.

Overfitting wordt tegengegaan door technieken zoals regularisatie, dropout, vroeg stoppen met trainen, en het gebruik van meer diverse trainingsdata. Het is een van de klassieke uitdagingen in machine learning.