Plattform
Plattform-ÜbersichtAI Adoption & Multi-ModellSelbstbefüllendes KI-CRMSales & Branchen CRMSales CRM Use CasesRecruiting CRM Use CasesB2B Kontakt-SucheMulti-Channel-KampagnenProjekte & AufgabenTeam-MessengerSocial Media StudioFunnel & NewsletterMeetings & Terminbuchung
Beratung, Preise & Ressourcen
KI-Transformation & StrategieManaged ServicesAlexander Weltzsch · Executive AdvisoryDennis Hilger · B2B Growth AdvisoryPreise & LizenzrechnerÜber unsKI im UnternehmenTech und KI GlossarLeitfaden für erfolgreiche LandingpagesGeschäftsbedingungen und RichtlinienKontakt & Live-Demo
← Zurück zum Tech und KI Glossar (A–Z)
Tech und KI Glossar · Buchstabe · Buchstabe U

Underfitting (Unteranpassung)

Underfitting (Unteranpassung)

Definition

Underfitting (Unteranpassung) tritt auf, wenn ein Machine-Learning-Modell zu gering komplex ist, um die tatsächlichen Zusammenhänge in den Daten abzubilden, und dadurch sowohl auf den Trainingsdaten als auch auf neuen Testdaten hohe Fehlerraten aufweist.

Erklärung

Im Bias-Varianz-Verhältnis entspricht Underfitting einem zu hohen Bias: Das Modell trifft zu starre Vorannahmen über die Datenstruktur, etwa wenn eine einfache lineare Gleichung saisonale Nachfrageschwankungen oder gestaffelte B2B-Rabattkurven abbilden soll. Im Unterschied zum Overfitting, bei dem die Genauigkeit auf den Trainingsdaten hoch ist und erst bei neuen Daten einbricht, versagt ein unterangepasstes Modell bereits auf dem bekannten Trainingsdatensatz. Häufige Ursachen sind eine zu flache Modellarchitektur, fehlende aussagekräftige Eingabemerkmale (Features), vorzeitig abgebrochene Trainingsläufe oder eine zu streng eingestellte Regularisierung (z. B. überhöhte L1- oder L2-Strafgewichte). Beheben lässt sich Underfitting durch ausdrucksstärkere Modellklassen wie Gradient Boosted Trees oder tiefere Netze, zusätzliches Feature Engineering aus den Quelldaten sowie eine Lockerung der Regularisierungsparameter.