Underfitting

Yetersiz öğrenme (underfitting), bir modelin eğitim verisindeki temel örüntüleri dahi yeterince yakalayamayacak kadar basit kalması, ya da eğitim sürecinin yetersiz olması nedeniyle hem eğitim verisinde hem de test verisinde düşük başarım göstermesi durumudur. Aşırı öğrenmenin tam tersi bir problemdir: model veriyi ezberlemek yerine, veri içindeki ilişkiyi kavrayacak yeterli karmaşıklığa veya eğitim süresine sahip değildir. Örneğin, gerçekte eğrisel bir ilişkiye sahip bir veri kümesine doğrusal bir regresyon modeli uydurmaya çalışmak tipik bir yetersiz öğrenme örneğidir; model hem eğitim hem test verisinde sistematik biçimde hatalı tahminler üretir.

Yetersiz öğrenmenin nedenleri arasında modelin kapasitesinin (katman sayısı, parametre sayısı) düşük olması, eğitim süresinin kısa kalması, özniteliklerin yetersiz veya alakasız seçilmesi ya da düzenlileştirmenin aşırı sert uygulanması sayılabilir. Çözüm yolları genellikle bu nedenlerin tersine çevrilmesidir: daha karmaşık veya derin bir model mimarisi kullanmak, eğitim süresini uzatmak, daha anlamlı öznitelikler üretmek veya düzenlileştirme gücünü azaltmak. Uygulamada makine öğrenmesi pratiği, modeli ne aşırı öğrenmeye ne de yetersiz öğrenmeye düşürmeden, bu iki uç arasında doğru dengeyi (bias-variance trade-off olarak bilinen dengeyi) bulmayı hedefler.