Underfitting – model jest zbyt prosty, by zrozumieć dane.

Underfitting to zjawisko występujące w uczeniu maszynowym, gdy model jest zbyt prosty, aby skutecznie odwzorować złożone zależności obecne w danych treningowych. W konsekwencji model nie potrafi wychwycić istotnych wzorców i tym samym osiąga niską skuteczność zarówno na zbiorze treningowym, jak i testowym. Objawia się to wysokim błędem predykcji oraz brakiem zdolności do generalizacji.

Przyczyną underfittingu może być niewystarczająca złożoność modelu, np. zbyt mała liczba parametrów, nieodpowiedni wybór funkcji aktywacji czy zbyt szybkie zatrzymanie procesu uczenia. Aby przeciwdziałać temu zjawisku, stosuje się bardziej złożone modele, zwiększa się liczbę cech lub ulepsza proces przetwarzania danych. Poprawne rozpoznanie i eliminacja underfittingu jest kluczowa dla osiągnięcia dobrej jakości modeli predykcyjnych w różnych dziedzinach sztucznej inteligencji.