Un modelo que predice el precio promedio de cualquier vivienda, independientemente de su tamaño, ubicación o antigüedad, está subajustado. No ha aprendido la estructura suficiente para ser útil. El subajustamiento se produce cuando el modelo es demasiado simple, el tiempo de entrenamiento es demasiado corto o las características son demasiado débiles para capturar el patrón en los datos.

El síntoma es fácil de detectar: ​​un rendimiento deficiente en el propio conjunto de entrenamiento. A diferencia del sobreajuste, donde un modelo memoriza el ruido y falla con datos nuevos, el subajuste falla en todas partes. Una línea recta que intenta ajustarse a una curva no alcanzará ni los puntos de entrenamiento ni los de prueba.

Causas típicas

• La capacidad del modelo es demasiado baja para la complejidad del problema.
• Pocas épocas de entrenamiento o una tasa de aprendizaje que se estanca.
• Funciones de entrada faltantes o mal diseñadas
• Regularización excesiva que restringe demasiado los pesos.

La solución suele consistir en aumentar la capacidad, prolongar el entrenamiento o proporcionar mejores datos de entrada al modelo. A veces, el problema no reside en el modelo, sino en los datos: si la señal está oculta entre el ruido, ninguna arquitectura podrá recuperarla. Diagnosticar el subajuste a tiempo evita semanas de ajustes infructuosos.