Einfach erklärt
Unteranpassung heißt: Ein Modell ist zu schlicht. Es erkennt die wichtigen Muster in den Trainingsdaten nicht gut genug. Darum macht es schon im Training viele Fehler – und bei neuen, unbekannten Daten erst recht.
Woran merkt man das?
- Der Fehler im Training bleibt hoch und verbessert sich kaum.
- Die Vorhersagen sind grob und verpassen klare Zusammenhänge (z. B. eine Kurve wird als Gerade geschätzt).
- Das Modell hat zu wenig „Spielraum“: zu wenige Merkmale, zu kurze Trainingszeit oder zu starke Vereinfachung.
Beispiele:
- Eine Gerade soll gekrümmte Daten beschreiben – das klappt nicht gut.
- Ein stark vereinfachter Entscheidungsbaum teilt die Daten zu grob und übersieht wichtige Unterschiede.
- Zu starke Einschränkung (z. B. sehr hohe Strafen gegen komplexe Modelle) nimmt dem Modell die nötige Flexibilität.
Professionelle Definition
Unteranpassung liegt vor, wenn ein Verfahren die Struktur der Daten nicht angemessen abbildet (hoher Bias, niedrige Varianz). Typisch sind hohe Trainings‑ und Testfehler. In der Bias‑Varianz‑Sicht entspricht Unteranpassung einem Modell mit zu geringer Kapazität: Es kann die relevanten Zusammenhänge nicht darstellen. Häufige Ursachen sind zu einfache Modellklassen, zu starke Regularisierung, unzureichende Merkmalsbildung oder zu wenig/zu kurze Optimierung.
Diagnostik und Gegenmaßnahmen:
- Lernkurven prüfen: Hoher, kaum sinkender Trainingsfehler weist auf Unteranpassung hin.
- Modellkapazität erhöhen: geeignetere Modellklasse wählen, Tiefe/Grade erhöhen, mehr sinnvolle Merkmale.
- Regularisierung lockern: z. B. Strafen reduzieren oder frühzeitiges Stoppen anpassen.
- Mehr/geeignetere Daten und längeres Training (sofern sinnvoll).
- Kreuzvalidierung zur belastbaren Leistungs‑ und Tuning‑Bewertung.
Für mehr Informationen zu diesem Thema KI Schulungen
Quellen
- Wikipedia – Overfitting (Abschnitt „Underfitting“) und Bias‑Varianz‑Zusammenhang
https://en.wikipedia.org/wiki/Overfitting - scikit‑learn – Underfitting vs. Overfitting (Beispiel mit Polynom‑Merkmalen)
https://scikit-learn.org/stable/auto_examples/model_selection/plot_underfitting_overfitting.html - Wikipedia – Bias–variance tradeoff (Bezug Unteranpassung = hoher Bias, niedrige Varianz)
https://en.wikipedia.org/wiki/Bias%E2%80%93variance_tradeoff - Goodfellow/Bengio/Courville – Deep Learning (Kapitel Regularisierung/Generalisierung)
https://egrcc.github.io/docs/dl/deeplearningbook-regularization.pdf - IBM – What is underfitting? (Definition und Ursachen)
https://www.ibm.com/think/topics/underfitting