Underfitting هو مصطلح يستخدم في التعلم الآلي ويشير إلى نموذج لا يتناسب مع بيانات التدريب أو لديه قوة تنبؤية منخفضة. ويحدث ذلك عندما يكون النموذج بسيطًا جدًا بحيث لا يمكنه التقاط البنية الأساسية للبيانات. يُعرف النقص أيضًا باسم "التحيز العالي" ويحدث عندما لا يحتوي النموذج على مستويات كافية من التعقيد لالتقاط العلاقة بين المدخلات والمخرجات المتوقعة.
يمكن تقييم النقص عن طريق قياس الخطأ الناتج في بيانات التدريب. إذا كان الخطأ مرتفعًا جدًا، فهذا يشير إلى أن النموذج لا يمكنه التقاط البنية الأساسية للبيانات. تشمل الأعراض الشائعة لعدم المطابقة التحيز (بمعنى أن القيم المتوقعة تكون دائمًا مرتفعة جدًا أو منخفضة جدًا)، والتباين العالي (بمعنى أن الخطأ كبير بالنسبة لأمثلة مختلفة)، وانخفاض الدقة.
عادةً ما يحدث النقص في المطابقة بسبب بيانات التدريب المحدودة، أو بساطة النموذج للغاية، أو عدم كفاية الميزات المستخدمة لبناء النموذج. لإصلاح المشكلة، يجب جمع المزيد من البيانات، أو تجربة خوارزميات مختلفة، أو يمكن استخدام المزيد من الميزات.
إن نقص التجهيز هو عكس التجهيز الزائد، والذي يحدث عندما يصبح النموذج معقدًا للغاية بحيث لا يتمكن من التقاط البنية الأساسية للبيانات. من المهم تجنب كل من النقص في التجهيز والتجهيز الزائد من أجل إنتاج نموذج بأعلى قدر من الدقة.
