Unteranpassung

Unteranpassung bezeichnet in der Statistik und im maschinellen Lernen einen Zustand, bei dem ein Modell die zugrunde liegenden Beziehungen in den Daten nicht adäquat abbildet. Dadurch entsteht in der Regel ein hohes Bias-Risiko und eine unzureichende Genauigkeit sowohl auf dem Trainings- als auch auf dem Validierungs- oder Testdatensatz.

Merkmale einer Unteranpassung sind ein relativ hoher Trainingsfehler, der oft auch bei weiterer Lernzeit oder mehr Daten bestehen bleibt. Das Modell zeigt kaum Verbesserungen, wenn die Komplexität erhöht wird, und es gelingt ihm nicht, Muster im Dataset zu erfassen, die in den Daten vorhanden sind.

Ursachen liegen häufig in einer zu geringen Modellkomplexität im Vergleich zur tatsächlichen Struktur der Daten (z. B. ein lineares Modell bei nichtlinearen Zusammenhängen). Weitere Gründe können zu starke Regularisierung, eine unpassende Merkmalsrepräsentation, fehlende informative Merkmale oder schlechte Datenqualität sein.

Gegenmaßnahmen umfassen die Erhöhung der Modellkomplexität oder den Einsatz flexibilerer Modelle (z. B. nichtlineare Modelle, Entscheidungsbäume, Ensemble-Methoden), Reduktion der Regularisierung, gezieltes Feature-Engineering, bessere Datenvorverarbeitung oder die Erhebung zusätzlicher relevanter Merkmale. Kreuzvalidierung kann helfen, den passenden Komplexitätsgrad zu bestimmen und Über- bzw. Unteranpassung zu vermeiden.

Abgrenzung: Unteranpassung steht dem Phänomen der Überanpassung gegenüber, bei dem das Modell zu stark an den Trainingsdaten hängt und auf neuen Daten schlecht generalisiert. Ziel ist ein ausgewogener Bias-Varianz-Komplexitäts-Kompromiss.