Model yang memprediksi harga rata-rata untuk setiap rumah, terlepas dari ukuran, lokasi, atau usianya, mengalami underfitting. Model tersebut belum mempelajari struktur yang cukup untuk dapat bermanfaat. Underfitting terjadi ketika model terlalu sederhana, waktu pelatihan terlalu singkat, atau fitur-fiturnya terlalu lemah untuk menangkap pola dalam data.

Gejalanya mudah dikenali: kinerja yang buruk pada set data pelatihan itu sendiri. Tidak seperti overfitting, di mana model menghafal noise dan gagal pada data baru, underfitting gagal di mana-mana. Garis lurus yang mencoba menyesuaikan kurva akan melewatkan titik-titik pelatihan dan titik-titik pengujian.

Penyebab umum

• Kapasitas model terlalu rendah untuk kompleksitas masalah.
• Jumlah epoch pelatihan terlalu sedikit atau laju pembelajaran yang stagnan
• Fitur input yang hilang atau dirancang dengan buruk
• Regularisasi berlebihan yang terlalu membatasi bobot.

Solusinya biasanya adalah menambah kapasitas, melatih model lebih lama, atau memberikan input yang lebih baik. Terkadang masalahnya bukan pada model sama sekali, melainkan pada data: jika sinyal terkubur dalam noise, tidak ada arsitektur yang dapat menyelamatkannya. Mendiagnosis underfitting sejak dini dapat menghemat waktu berminggu-minggu yang terbuang untuk penyetelan model.