Underfitting (auf Deutsch „Unteranpassung“) bezeichnet ein Modell des maschinellen Lernens, das zu einfach gebaut ist und die Muster in seinen Daten nicht richtig erfasst. Es liegt schon bei den Trainingsdaten daneben – und bei neuen, unbekannten Daten erst recht.

Das andere Extrem

Der Gegenspieler heißt Overfitting: Da lernt ein Modell seine Trainingsdaten praktisch auswendig und versagt draußen in der echten Welt. Underfitting ist das andere Extrem. Stell dir vor, du willst Immobilienpreise vorhersagen, berücksichtigst aber nur die Wohnfläche und ignorierst Lage, Baujahr und Zimmerzahl. Das Ergebnis ist eine grobe Faustregel, die kaum einen Treffer landet.

Erkennen und beheben

Typisch ist eine durchgehend schwache Genauigkeit, egal ob du Trainings- oder Testdaten prüfst. Dem Modell fehlt schlicht der „Spielraum“, um die Wirklichkeit abzubilden. Häufige Ursachen sind ein zu simpler Algorithmus, zu wenige aussagekräftige Merkmale (Features) oder ein zu kurzes Training.

Gegenmittel gibt es einige: passende Merkmale ergänzen, ein etwas komplexeres Modell wählen oder länger trainieren. Wichtig ist die Balance – zu viel des Guten kippt schnell ins Overfitting. Für alle, die mit KI-Werkzeugen arbeiten, ist Underfitting vor allem ein Hinweis: Wenn ein Vorhersage- oder Klassifikationssystem konstant ungenau bleibt, liegt das oft nicht an zu wenig Daten, sondern an einem zu groben Modell.