Underfitting (Unteranpassung) ist das Gegenteil von Overfitting: Das Modell ist zu einfach, um die Trainingsdaten wirklich zu erfassen. Es lernt die Struktur der Daten nicht ausreichend — weder die Trainingsbeispiele noch neue Daten werden gut vorhergesagt.
Typische Ursachen
- Das Modell ist zu simpel für das Problem (z.B. eine Gerade, wo ein Zusammenhang kurvig ist).
- Wichtige Merkmale fehlen — das Feature Engineering wurde nicht weit genug getrieben.
- Zu wenige Trainingsepochen: Das Training wurde zu früh abgebrochen.
- Zu starke Regularisierung oder eine zu kleine Lernrate: Die Hyperparameter sind schlecht gewählt, auch Lernrate genannt.
Symptome erkennen
Der Fehler ist auffällig: Underfitting zeigt sich durch hohe Fehlerwerte sowohl auf den Trainingsdaten als auch auf neuen Daten. Beim Overfitting dagegen ist der Trainingsfehler klein und der Testfehler groß. Ein Blick auf die Lernkurve trennt beide Fälle sofort.
Gegenmaßnahmen
- Ein komplexeres Modell wählen (mehr Parameter, tiefere Netze).
- Mehr beziehungsweise bessere Merkmale ergänzen.
- Länger trainieren und die Regularisierung lockern.
- Mehr Trainingsdaten beschaffen, wenn das Problem grundsätzlich schwer ist.
Underfitting ist in der Praxis oft weniger gefährlich als Overfitting, weil es sich durch längeres Training und mehr Modellkapazität leichter beheben lässt. Es gehört zum Standard-Vokabular beim Klassifikations- und Regressions-Training und taucht in fast jedem Einsteigerkurs zu Künstlicher Intelligenz und Maschinellem Lernen auf.