Underanpassning

Underanpassning, eller underfitting på engelska, är ett tillstånd inom maskininlärning och statistisk modellering där modellen inte fångar den underliggande strukturen i data. Resultatet är systematiska fel och dålig prediktionsförmåga även på träningsdata.

Orsakerna inkluderar att modellen är för enkel för den komplexitet som finns i data, för stark regulering, för få eller dåligt valda funktioner, samt brist på relevanta variabler eller felaktiga antaganden om sambanden mellan variablerna. Brist på flexibilitet gör att modellen inte kan fånga icke-linjära mönster eller interaktioner.

Tecken på underanpassning är höga bias och att felet inte minskar med mer träningsdata. Modellen ger ofta liknande dåliga resultat på träningsdata och testdata. Lärkurvor där både tränings- och valideringsfel ligger högt eller konvergerar till en platå kan indikera underanpassning, liksom systematiska mönster i residualerna.

Exempel inkluderar en linjär regression som inte fångar en kurvformad relation, eller ett beslutsträd med liten djup som inte fångar komplexiteten i data. En underväldigad modell med för få funktioner eller alltför starka restriktioner kan också leda till underanpassning.

Åtgärder för att motverka underanpassning är att öka modellkomplexiteten eller använda en mer flexibel modell, lägga till relevanta funktioner eller interaktioner, minska regulering, samla mer data eller använda icke-parametriska metoder och korsvalidering för att hitta rätt balans mellan bias och varians. Underanpassning står i kontrast till överanpassning, där modellen blir alltför flexibel och fångar brus i data.