Model, który prognozuje średnią cenę każdego domu, niezależnie od jego wielkości, lokalizacji czy wieku, jest niedopasowany. Nie nauczył się wystarczającej struktury, aby być użytecznym. Niedopasowanie występuje, gdy model jest zbyt prosty, czas uczenia jest zbyt krótki lub cechy są zbyt słabe, aby uchwycić wzorzec w danych.

Objaw jest łatwy do zauważenia: słaba wydajność na samym zbiorze treningowym. W przeciwieństwie do przeuczenia, gdzie model zapamiętuje szum i nie radzi sobie z nowymi danymi, niedouczenie zawodzi wszędzie. Linia prosta próbująca dopasować się do krzywej ominie zarówno punkty treningowe, jak i punkty testowe.

Typowe przyczyny

• Pojemność modelu jest zbyt niska w stosunku do złożoności problemu
• Zbyt mała liczba epok szkoleniowych lub zatrzymanie tempa uczenia się
• Brakujące lub źle zaprojektowane funkcje wejściowe
• Nadmierna regularyzacja, która w zbyt dużym stopniu ogranicza wagi

Rozwiązaniem jest zazwyczaj zwiększenie pojemności, wydłużenie czasu trenowania lub dostarczenie modelowi lepszych danych wejściowych. Czasami problemem nie jest wcale model, ale dane: jeśli sygnał jest przykryty szumem, żadna architektura go nie uratuje. Wczesne zdiagnozowanie niedopasowania oszczędza tygodnie zmarnowanego strojenia.