---
term: "Loss"
slug: "loss"
glossar_id: "G117"
variants: ["Loss Function","Verlustfunktion","Verlust"]
category: "training-daten-und-modellanpassung"
marker: ""
short: "Zielgröße, die Abweichungen des Modells beim Lernen bewertet."
sources:
  - label: "Google ML Glossary"
    url: "https://developers.google.com/machine-learning/glossary"
  - label: "PyTorch Autograd Tutorial"
    url: "https://docs.pytorch.org/tutorials/beginner/blitz/autograd_tutorial.html"
status: "entwurf"
updated: "2026-09-20"
---

Loss ist ein Zahlenwert, der die Abweichung zwischen einer Modellvorhersage und dem vorgesehenen Trainingsziel ausdrückt. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary)) Die Loss Function oder Verlustfunktion legt fest, wie diese Abweichung berechnet wird. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary))

## So kannst du dir das vorstellen

Angenommen, ein Modell soll eine Lieferdauer schätzen. Die tatsächliche Dauer beträgt in einem erfundenen Beispiel vier Tage, die Vorhersage sieben.

Du brauchst nun eine Regel, die aus dieser Abweichung eine Trainingsrückmeldung macht. Eine Möglichkeit wäre, die Differenz zu quadrieren: Aus drei Tagen Abweichung würde dann der Wert neun. Das ist ein schematisches Rechenbeispiel, keine gemessene Modellleistung und noch keine Aussage darüber, ob diese Bewertungsregel für deinen Betrieb geeignet wäre.

## Die Funktion definiert das Lernziel

Für unterschiedliche Aufgaben werden unterschiedliche Verlustfunktionen eingesetzt, beispielsweise quadratische Fehlermaße für Zahlenvorhersagen oder Kreuzentropie für Wahrscheinlichkeitsvorhersagen. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary)) Beim Training eines neuronalen Netzes liefert der Verlust die Grundlage für die Berechnung der Gradienten, anhand derer ein Optimierer die Parameter verändert. ([PyTorch Autograd Tutorial](https://docs.pytorch.org/tutorials/beginner/blitz/autograd_tutorial.html))

„Loss sinkt“ bedeutet daher zunächst, dass sich die gewählte mathematische Zielgröße verbessert. Für die Abnahme eines Systems würde ich zusätzliche fachliche Kriterien festlegen, etwa korrekte Pflichtfelder oder den Umgang mit fehlenden Informationen.

## Training und Prüfung getrennt lesen

Training Loss wird auf Trainingsdaten gemessen, Validation Loss auf dem getrennten Validierungsbestand und Test Loss auf den zurückgehaltenen Testdaten. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary)) Sinkender Trainingsverlust bei schlechter werdender Validierung kann auf Überanpassung hinweisen. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary))

Vergleiche Zahlenwerte nur zusammen mit Verlustdefinition, Datensatz und Auswertungsregeln. Eine kleinere Zahl aus einem anderen Trainingslauf ist ohne diesen Kontext kein sauberer Qualitätsvergleich und keine unmittelbar verständliche Prozentangabe.

## Verwandte Begriffe

Weiterführend sind **Cross-Entropy**, **Gradient Descent**, **Backpropagation**, **Overfitting** und **Validation Set**.