Waarom is dit belangrijk?
Herkennen van underfitting maakt het mogelijk een model met aanhoudend zwakke prestaties tijdig aan te passen, voordat die resultaten beslissingen sturen. In de zorg blijft de voorspelkracht van zo'n model laag, ook voor patiënten buiten de oorspronkelijke groep. Op het werk of in de studie kan een lage score daardoor een beoordeling vertekenen en tot een minder passende keuze leiden.
Zo werkt het in de praktijk
In de praktijk komt underfitting voor bij voorspelmodellen met te weinig kenmerken. IBM beschrijft een weersmodel dat alleen temperatuur en vochtigheid gebruikt en neerslag daardoor slecht voorspelt. Een ondiepe beslisboom die katten en honden niet onderscheidt, toont hetzelfde beeld.
Onderzoekers kijken bij modelkeuze of een formule genoeg termen bevat. De afweging tussen bias (vaste afwijking) en variantie (gevoeligheid voor toeval) toont een te strak model. Burnham en Anderson houden underfitting en overfitting daarbij in evenwicht.
Ingenieurs sporen underfitting op met leercurves, grafieken van de fout tijdens het trainen. K-voudige kruisvalidatie test het model op steeds een ander deel van de data. Minder strenge regularisatie, een rem op complexiteit, geeft het model meer ruimte.




