Wat is underfitting?
Underfitting treedt op wanneer een machine learning-model te simpel is om de patronen in de data te vangen. Het model presteert dan slecht, zelfs op de gegevens waarmee het is getraind. Vergelijk het met een rechte lijn trekken door punten die duidelijk een curve vormen: de lijn mist de essentie. Underfitting is het spiegelbeeld van overfitting, waarbij een model juist te veel op de trainingsdata is toegesneden.
Hoe ontstaat het?
De meest voorkomende oorzaken: het model is te eenvoudig voor het probleem (bijvoorbeeld lineaire regressie op sterk niet-lineaire data), het is te kort getraind, er ontbreken belangrijke kenmerken in de data, of er is te streng geregulariseerd (een techniek die complexiteit afremt om overfitting te voorkomen, maar bij overdosering het leren zelf smoort). Je herkent underfitting aan lage scores op zowel de trainingsdata als de testdata; bij overfitting is de trainingsscore juist hoog en de testscore laag.
Wat heb je eraan als bedrijf?
Als je AI laat bouwen of een voorspelmodel evalueert, is dit een vraag om te stellen: presteert het model op beide datasets slecht (underfitting) of alleen op nieuwe data (overfitting)? Het antwoord bepaalt de oplossing. Bij underfitting helpt een rijker model, meer relevante kenmerken of langer trainen. Een leverancier die deze diagnose niet kan maken, is een waarschuwingssignaal.
Gerelateerde begrippen
Underfitting is de tegenhanger van overfitting; de balans daartussen heet de bias-variance tradeoff. Je toetst het met een test set en cross-validation.
Je hele organisatie AI-geletterd?
Bij elke incompany training krijgt iedereen in je organisatie toegang tot de e-learning AI Geletterdheid. In 90 tot 120 minuten leert elke medewerker wat AI is, wat je ermee kunt en hoe je er veilig mee werkt. Per rol en sector, met certificaat, zoals de EU AI Act vraagt.
Bekijk de trainingen →