Um modelo que prevê o preço médio de todas as casas, independentemente do tamanho, localização ou idade, está subajustado. Não aprendeu estrutura suficiente para ser útil. O subajuste ocorre quando o modelo é demasiado simples, o tempo de treino é demasiado curto ou as características são demasiado fracas para captar o padrão nos dados.

O sintoma é fácil de identificar: fraco desempenho no próprio conjunto de treino. Ao contrário do sobreajuste (overfitting), em que um modelo memoriza o ruído e falha novos dados, o subajuste (underfitting) falha em todos os pontos. Uma linha reta que tente ajustar-se a uma curva não conseguirá atingir os pontos de treino nem os pontos de teste.

Causas típicas

• A capacidade do modelo é insuficiente para a complexidade do problema.
• Poucas épocas de treino ou uma taxa de aprendizagem que estagna.
• Recursos de entrada em falta ou mal concebidos
• Regularização excessiva que restringe demasiado os pesos.

A solução é geralmente aumentar a capacidade, treinar durante mais tempo ou fornecer ao modelo melhores entradas. Por vezes, o problema não está no modelo, mas sim nos dados: se o sinal estiver envolto em ruído, nenhuma arquitetura conseguirá guardá-lo. Diagnosticar o subajuste precocemente evita semanas de ajustes desnecessários.