Unteranpassung ist ein Begriff, der beim maschinellen Lernen verwendet wird und sich auf ein Modell bezieht, das nicht zu den Trainingsdaten passt oder eine geringe Vorhersagekraft aufweist. Es tritt auf, wenn ein Modell zu einfach ist, um die zugrunde liegende Struktur der Daten zu erfassen. Eine Unteranpassung wird auch als „hoher Bias“ bezeichnet und tritt auf, wenn ein Modell nicht ausreichend komplex ist, um die Beziehung zwischen der Eingabe und der erwarteten Ausgabe zu erfassen.
Eine Unteranpassung kann durch Messen des bei Trainingsdaten erzeugten Fehlers beurteilt werden. Wenn der Fehler zu hoch ist, deutet dies darauf hin, dass das Modell die zugrunde liegende Struktur der Daten nicht erfassen kann. Zu den häufigsten Symptomen einer Unteranpassung gehören Bias (d. h., dass die vorhergesagten Werte durchweg zu hoch oder zu niedrig sind), hohe Varianz (d. h., dass der Fehler für verschiedene Beispiele groß ist) und geringe Genauigkeit.
Eine unzureichende Anpassung wird in der Regel durch begrenzte Trainingsdaten, ein zu einfaches Modell oder unzureichende Funktionen zur Erstellung des Modells verursacht. Um das Problem zu beheben, müssen mehr Daten gesammelt, verschiedene Algorithmen ausprobiert oder mehr Funktionen genutzt werden.
Unteranpassung ist das Gegenteil von Überanpassung, die auftritt, wenn ein Modell zu komplex wird, um die zugrunde liegende Struktur der Daten zu erfassen. Es ist wichtig, sowohl eine Unter- als auch eine Überanpassung zu vermeiden, um ein Modell mit höchster Genauigkeit zu erstellen.
