Underfitting es un término utilizado en el aprendizaje automático y se refiere a un modelo que no se ajusta a los datos de entrenamiento o tiene bajo poder predictivo. Ocurre cuando un modelo es demasiado simple para capturar la estructura subyacente de los datos. El desajuste también se conoce como "alto sesgo" y ocurre cuando un modelo tiene niveles de complejidad insuficientes para capturar la relación entre la entrada y la salida esperada.
El desajuste se puede evaluar midiendo el error producido en los datos de entrenamiento. Si el error es demasiado alto, sugiere que el modelo no puede capturar la estructura subyacente de los datos. Los síntomas comunes del desajuste incluyen sesgo (lo que significa que los valores predichos son consistentemente demasiado altos o bajos), alta varianza (lo que significa que el error es grande para diferentes ejemplos) y baja precisión.
El ajuste insuficiente suele deberse a datos de entrenamiento limitados, a un modelo demasiado simple o a características insuficientes utilizadas para construir el modelo. Para solucionar el problema, se deben recopilar más datos, se pueden probar diferentes algoritmos o se pueden utilizar más funciones.
El subajuste es lo opuesto al sobreajuste, que ocurre cuando un modelo se vuelve demasiado complejo para capturar la estructura subyacente de los datos. Es importante evitar tanto el ajuste insuficiente como el excesivo para producir un modelo con la mayor precisión.
