Underfitting-ul este o problemă care apare atunci când un model AI este prea simplu sau insuficient antrenat pentru a învăța corect tiparele relevante dintr-un set de date, rezultând o performanță slabă atât pe datele de antrenare, cât și pe date noi.
Spre deosebire de overfitting (unde modelul „memorează” excesiv detalii, inclusiv zgomotul din date), underfitting-ul apare atunci când modelul nu reușește să surprindă nici măcar tiparele generale de bază — de exemplu, un model prea simplu pentru complexitatea reală a problemei, sau antrenat pentru prea puțin timp.
Acest fenomen se manifestă, de exemplu, printr-un model de predicție a vânzărilor care oferă estimări la fel de imprecise indiferent de datele introduse, semn că nu a reușit să învețe relațiile relevante dintre variabile.
Pentru a corecta underfitting-ul, specialiștii pot folosi modele mai complexe, pot antrena mai mult timp, pot adăuga mai multe caracteristici relevante datelor sau pot îmbunătăți calitatea datelor de antrenare.
Găsirea echilibrului corect între underfitting și overfitting rămâne una dintre provocările fundamentale în construirea oricărui model de machine learning performant și fiabil.