Überanpassung (Overfitting) bezeichnet im maschinellen Lernen die Situation, dass ein Modell die Trainingsdaten zu genau abbildet und dabei auch Zufallsschwankungen oder Fehler mitlernt. Dadurch wirkt es auf den Trainingsdaten sehr leistungsfähig, liefert aber bei neuen, unbekannten Daten oft deutlich schlechtere Ergebnisse. Typisch ist eine große Lücke zwischen Trainings- und Validierungsleistung, etwa wenn ein Modell Anträge auf Basis historischer Fälle perfekt „auswendig lernt“, aber neue Fallkonstellationen falsch einordnet.