Das Gegenteil von Overfitting: Ein KI-Modell ist zu einfach, um die Komplexität der Daten zu erfassen, und liefert sowohl auf Trainings- als auch Testdaten schlechte Ergebnisse.
Underfitting tritt auf, wenn ein Modell nicht komplex genug ist, um die zugrunde liegenden Muster in den Daten zu erkennen. Das Modell hat eine zu hohe Bias und eine zu niedrige Varianz. Es lernt weder die Trainingsdaten gut noch kann es neue Daten korrekt einordnen.
Für Unternehmen ist Underfitting ein häufiges Problem bei der ersten Modellentwicklung: Einfache lineare Modelle werden für komplexe, nicht-lineare Probleme eingesetzt. Das Ergebnis ist ein System, das die Aufgabe schlicht nicht lösen kann — unabhängig von der Datenmenge.
Underfitting erkennt man daran, dass sowohl Training- als auch Validierungsgenauigkeit niedrig sind. Die Lösung ist in der Regel ein komplexeres Modell, mehr Features oder eine längere Trainingszeit.
Praxisbeispiel
Ein Handelsunternehmen setzt ein lineares Modell für die Nachfrageprognose ein, die von Dutzenden nicht-linearen Faktoren abhängt. Das Modell trifft zu 45 % — schlechter als eine einfache Durchschnittsprognose.
Unternehmensnutzen
Die richtige Modellkomplexität zu wählen spart Ressourcen und Frustration. Eine systematische Modellselektion verhindert kostspielige Fehlentwicklungen.
Vorteile
- Einfachere Modelle sind interpretierbarer
- Schnelleres Training und Deployment
Nachteile
- Schlechte Prognoseleistung
- Verpasst komplexe Muster in Daten
Häufige Fragen
Woran erkenne ich Underfitting?
Niedrige Genauigkeit auf Trainingsdaten (unter dem gewünschten Niveau) und ähnlich niedrige Genauigkeit auf Testdaten. Kein großer Gap zwischen Training und Test.
Wie behebt man Underfitting?
Komplexeres Modell wählen, mehr Features hinzufügen, Feature Engineering verbessern, Training länger laufen lassen, Regularisierung reduzieren.
Verwandte Begriffe
KI in Ihrem Unternehmen einsetzen?
Wir übersetzen KI-Konzepte in konkrete Geschäftsergebnisse. Kostenloses Erstgespräch.
Kostenloses Beratungsgespräch buchen