Ondermaatse aanpassing

Underfitting is een term die gebruikt wordt in machine learning en computerwetenschappen om een model te beschrijven dat te simplistisch is om de onderliggende gegevens accuraat weer te geven. Bij machinaal leren is een underfit model een model dat onvoldoende voorspellende nauwkeurigheid heeft en niet in staat is om nauwkeurig patronen in gegevens te identificeren.

Underfitting is een veel voorkomend probleem bij zowel supervised als unsupervised learning. Bij gesuperviseerd leren treedt underfitting op wanneer een model te weinig kenmerken gebruikt om nauwkeurig te voorspellen op basis van de trainingsgegevens. Het resultaat is een model met een slechte voorspellende nauwkeurigheid op zowel de trainingsgegevens als op nieuwe gegevens. Het tegenovergestelde probleem, overexplaining, treedt op wanneer een model te veel kenmerken gebruikt om de gegevens te verklaren.

Bij leren zonder toezicht treedt underfitting op wanneer een model niet in staat is om de onderliggende structuur van de gegevens te identificeren. Dit kan gebeuren als het model te eenvoudig is, te weinig parameters heeft of niet in staat is om de nodige gegevenspunten te genereren om goed bij de gegevens te passen.

Onderfitting treedt op als gevolg van te weinig gegevens, te weinig kenmerken, een te eenvoudig model of te weinig parameters. Het is belangrijk om underfitting te voorkomen bij het bouwen van een voorspellend model, omdat het kan leiden tot een slechte voorspellingsnauwkeurigheid. De beste manier om underfitting te voorkomen is om een model te gebruiken dat nauwkeurig patronen kan oppikken in de gegevens en dat voldoende kenmerken heeft om nauwkeurige voorspellingen te doen. Dit kan worden gedaan door meer variabelen, meer gegevenspunten, extra lagen in het model of een complexere modelarchitectuur te gebruiken. Daarnaast kunnen regularisatietechnieken ook helpen om het effect van underfitting te verminderen.