Underfitting

Underfitting tritt auf, wenn ein KI-Modell die zugrunde liegenden Muster in den Daten nicht richtig erfasst – es hat zu wenig Kapazität oder wurde nicht ausreichend trainiert. Symptome: niedrige Genauigkeit bei Trainings- und Testdaten gleichermaßen.

Ursachen: zu einfaches Modell, unzureichendes Training (zu niedrige Lernrate, zu wenige Iterationen), fehlerhafte Daten, unzureichende Feature-Auswahl. Underfitting ist das Gegenteil von Overfitting und tritt auf, wenn das Modell zu wenig Komplexität hat, um die Realität zu abzubilden.

Gegenmaßnahmen: komplexeres Modell wählen, Hyperparameter optimieren (höhere Lernrate, mehr Trainingsiterationen), Datenqualität verbessern, Feature-Engineering. Das Bias-Varianz-Tradeoff zwischen Underfitting (hoher Bias) und Overfitting (hohe Varianz) ist ein zentrales Konzept im ML.