Ein Modell, das den Durchschnittspreis für jedes Haus unabhängig von Größe, Lage oder Alter vorhersagt, ist unterangepasst. Es hat nicht genügend Struktur gelernt, um nützlich zu sein. Unteranpassung tritt auf, wenn das Modell zu einfach, die Trainingszeit zu kurz oder die Merkmale zu schwach sind, um das Muster in den Daten zu erfassen.

Das Symptom ist leicht zu erkennen: schlechte Leistung bei den Trainingsdaten selbst. Anders als bei Overfitting, bei dem ein Modell Rauschen auswendig lernt und bei neuen Daten versagt, versagt Underfitting überall. Eine Gerade, die versucht, eine Kurve anzupassen, wird sowohl die Trainings- als auch die Testdaten verfehlen.

Typische Ursachen

• Die Modellkapazität ist für die Komplexität des Problems zu gering.
• Zu wenige Trainingsepochen oder eine stagnierende Lernrate
• Fehlende oder schlecht konstruierte Eingabefunktionen
• Übermäßige Regularisierung, die die Gewichte zu stark einschränkt

Die Lösung besteht üblicherweise darin, die Kapazität zu erhöhen, länger zu trainieren oder dem Modell bessere Eingabedaten zuzuführen. Manchmal liegt das Problem gar nicht am Modell, sondern an den Daten: Wenn das Signal im Rauschen untergeht, kann keine Architektur es retten. Eine frühzeitige Diagnose von Underfitting spart wochenlanges, sinnloses Optimieren.