En modell som förutspår genomsnittspriset för varje hus, oavsett storlek, läge eller ålder, är underanpassad. Den har inte lärt sig tillräckligt med struktur för att vara användbar. Underanpassning sker när modellen är för enkel, träningstiden för kort eller funktionerna för svaga för att fånga mönstret i data.

Symtomet är lätt att upptäcka: dålig prestanda på själva träningsmängden. Till skillnad från överanpassning, där en modell memorerar brus och misslyckas med nya data, misslyckas underanpassning överallt. En rak linje som försöker anpassa en kurva kommer att missa både träningspunkterna och testpunkterna.

Typiska orsaker

• Modellkapaciteten är för låg för problemets komplexitet
• För få träningsepoker eller en inlärningstakt som stannar av
• Saknade eller dåligt konstruerade inmatningsfunktioner
• Överdriven regularisering som begränsar vikterna för mycket

Lösningen är vanligtvis att öka kapaciteten, träna längre eller ge modellen bättre indata. Ibland är problemet inte modellen alls utan data: om signalen är begravd i brus kommer ingen arkitektur att rädda den. Att diagnostisera underanpassning tidigt sparar veckor av slöseri med anpassning.