Underfitting là một thuật ngữ được sử dụng trong machine learning và dùng để chỉ một mô hình không phù hợp với dữ liệu huấn luyện hoặc có khả năng dự đoán thấp. Nó xảy ra khi một mô hình quá đơn giản để nắm bắt được cấu trúc cơ bản của dữ liệu. Việc trang bị thiếu còn được gọi là “độ lệch cao” và xảy ra khi một mô hình không đủ mức độ phức tạp để nắm bắt được mối quan hệ giữa đầu vào và đầu ra dự kiến.
Sự phù hợp có thể được đánh giá bằng cách đo lỗi tạo ra trên dữ liệu huấn luyện. Nếu sai số quá cao, điều đó cho thấy mô hình không thể nắm bắt được cấu trúc cơ bản của dữ liệu. Các dấu hiệu phổ biến của việc không khớp đúng mức bao gồm sai lệch (có nghĩa là các giá trị được dự đoán luôn quá cao hoặc quá thấp), phương sai cao (có nghĩa là sai số lớn đối với các ví dụ khác nhau) và độ chính xác thấp.
Việc trang bị không đầy đủ thường do dữ liệu huấn luyện hạn chế, mô hình quá đơn giản hoặc không đủ các tính năng được sử dụng để xây dựng mô hình. Để khắc phục sự cố, bạn phải thu thập thêm dữ liệu, thử các thuật toán khác nhau hoặc sử dụng nhiều tính năng hơn.
Underfitting trái ngược với overfitting, xảy ra khi một mô hình trở nên quá phức tạp để nắm bắt được cấu trúc cơ bản của dữ liệu. Điều quan trọng là tránh cả việc trang bị thiếu và trang bị quá mức để tạo ra một mô hình có độ chính xác cao nhất.
