Een model dat de gemiddelde prijs voor elk huis voorspelt, ongeacht grootte, locatie of leeftijd, vertoont onderfitting. Het heeft onvoldoende structuur geleerd om bruikbaar te zijn. Onderfitting treedt op wanneer het model te eenvoudig is, de trainingstijd te kort is of de kenmerken te zwak zijn om het patroon in de data te herkennen.

Het symptoom is gemakkelijk te herkennen: slechte prestaties op de trainingsset zelf. In tegenstelling tot overfitting, waarbij een model ruis onthoudt en faalt op nieuwe data, faalt underfitting overal. Een rechte lijn die een curve probeert te volgen, mist zowel de trainingspunten als de testpunten.

Typische oorzaken

• De capaciteit van het model is te laag voor de complexiteit van het probleem.
• Te weinig trainingsrondes of een leersnelheid die stagneert.
• Ontbrekende of slecht ontworpen invoerfuncties
• Overmatige regularisatie die de gewichten te veel beperkt.

De oplossing is meestal om de capaciteit te vergroten, langer te trainen of het model betere input te geven. Soms ligt het probleem helemaal niet bij het model, maar bij de data: als het signaal in ruis verborgen zit, kan geen enkele architectuur het redden. Door underfitting vroegtijdig te diagnosticeren, worden weken aan onnodige afstemming bespaard.