Underfitting เป็นคำที่ใช้ในการเรียนรู้ของเครื่อง และหมายถึงโมเดลที่ไม่เหมาะสมกับข้อมูลการฝึกหรือมีพลังในการคาดการณ์ต่ำ มันเกิดขึ้นเมื่อแบบจำลองง่ายเกินไปที่จะจับโครงสร้างพื้นฐานของข้อมูล Underfitting เรียกอีกอย่างว่า "อคติสูง" และเกิดขึ้นเมื่อแบบจำลองมีระดับความซับซ้อนไม่เพียงพอที่จะจับความสัมพันธ์ระหว่างอินพุตและเอาต์พุตที่คาดหวัง
Underfitting สามารถประเมินได้โดยการวัดข้อผิดพลาดที่เกิดขึ้นจากข้อมูลการฝึกอบรม หากข้อผิดพลาดสูงเกินไป แสดงว่าโมเดลไม่สามารถจับโครงสร้างพื้นฐานของข้อมูลได้ อาการทั่วไปของฟิตติ้งน้อยเกินไป ได้แก่ อคติ (หมายถึงค่าที่คาดการณ์ไว้สูงหรือต่ำเกินไปอย่างสม่ำเสมอ) ความแปรปรวนสูง (หมายความว่าข้อผิดพลาดมีขนาดใหญ่สำหรับตัวอย่างที่แตกต่างกัน) และความแม่นยำต่ำ
การติดตั้งด้านล่างมักเกิดจากข้อมูลการฝึกที่จำกัด โมเดลง่ายเกินไป หรือคุณสมบัติไม่เพียงพอที่ใช้สำหรับการสร้างแบบจำลอง ในการแก้ไขปัญหานี้ จะต้องรวบรวมข้อมูลเพิ่มเติม สามารถลองใช้อัลกอริธึมที่แตกต่างกัน หรือใช้ฟีเจอร์เพิ่มเติมได้
Underfitting เป็นสิ่งที่ตรงกันข้ามกับ Overfitting ซึ่งเกิดขึ้นเมื่อแบบจำลองซับซ้อนเกินกว่าจะจับโครงสร้างพื้นฐานของข้อมูลได้ สิ่งสำคัญคือต้องหลีกเลี่ยงทั้งการฟิตติ้งด้านล่างและฟิตติ้งมากเกินไป เพื่อสร้างแบบจำลองที่มีปริมาณความแม่นยำสูงสุด