Ajuste insuficiente

Underfitting é um termo usado em aprendizado de máquina e ciência da computação para descrever um modelo que é muito simplista para refletir com precisão os dados subjacentes. Na aprendizagem de máquina, um modelo subajustado é aquele que tem precisão preditiva insuficiente e é incapaz de identificar com precisão os padrões nos dados.

A subadaptação é um problema comum tanto na aprendizagem supervisionada quanto na não supervisionada. No aprendizado supervisionado, o subajuste ocorre quando um modelo usa poucos recursos para fazer uma previsão precisa com base nos dados de treinamento. O resultado é um modelo com baixa precisão de previsão tanto nos dados de treinamento quanto em quaisquer novos dados. Por outro lado, o problema oposto, a superexplicação, ocorre quando um modelo usa muitos recursos para explicar os dados.

No aprendizado não supervisionado, a subadaptação ocorre quando um modelo não consegue identificar a estrutura subjacente dos dados. Isso pode ocorrer quando o modelo é muito simples, tem poucos parâmetros ou não consegue gerar os pontos de dados necessários para se ajustar adequadamente aos dados.

O subajuste ocorre como resultado de poucos dados, poucos recursos, um modelo muito simples ou poucos parâmetros. É importante evitar o subajuste ao criar um modelo preditivo, pois isso pode resultar em uma precisão de previsão ruim. A melhor maneira de evitar o subajuste é usar um modelo que possa detectar com precisão os padrões nos dados e que tenha recursos suficientes para fazer previsões precisas. Isso pode ser feito com o uso de mais variáveis, mais pontos de dados, camadas adicionais no modelo ou uma arquitetura de modelo mais complexa. Além disso, as técnicas de regularização também podem ajudar a reduzir o efeito da subadaptação.