Một mô hình dự đoán giá trung bình cho mọi ngôi nhà, bất kể kích thước, vị trí hay tuổi đời, đang bị hiện tượng "underfitting" (chưa học đủ cấu trúc) để trở nên hữu ích. Hiện tượng "underfitting" xảy ra khi mô hình quá đơn giản, thời gian huấn luyện quá ngắn hoặc các đặc trưng quá yếu để nắm bắt được quy luật trong dữ liệu.

Triệu chứng rất dễ nhận biết: hiệu suất kém trên chính tập dữ liệu huấn luyện. Không giống như hiện tượng quá khớp (overfitting), trong đó mô hình ghi nhớ nhiễu và thất bại trên dữ liệu mới, hiện tượng thiếu khớp (underfitting) thất bại ở mọi nơi. Một đường thẳng cố gắng khớp với một đường cong sẽ bỏ sót cả các điểm huấn luyện và các điểm kiểm tra.

Nguyên nhân điển hình

• Khả năng của mô hình quá thấp so với độ phức tạp của vấn đề.
• Số lượng chu kỳ huấn luyện quá ít hoặc tốc độ học bị chững lại.
• Các tính năng đầu vào bị thiếu hoặc được thiết kế kém
• Việc điều chỉnh quá mức dẫn đến việc hạn chế trọng số quá nhiều.

Cách khắc phục thường là tăng dung lượng, huấn luyện lâu hơn hoặc cung cấp cho mô hình dữ liệu đầu vào tốt hơn. Đôi khi vấn đề không nằm ở mô hình mà là ở dữ liệu: nếu tín hiệu bị chìm trong nhiễu, không có kiến ​​trúc nào có thể cứu vãn được. Chẩn đoán sớm hiện tượng underfitting (thiếu khớp dữ liệu) sẽ giúp tiết kiệm hàng tuần thời gian tinh chỉnh.