Was ist Underfitting (Unteranpassung)

Definition

Underfitting (Unteranpassung) tritt auf, wenn ein Machine-Learning-Modell zu einfach strukturiert ist, um die zugrunde liegende Struktur und die Muster der Daten adäquat zu erfassen. Infolgedessen erbringt das Modell sowohl auf den Trainingsdaten als auch auf neuen, ungesehenen Daten eine unzureichende Vorhersageleistung.

Erklärung

Im B2B- und SaaS-Umfeld führt Underfitting dazu, dass geschäftskritische KI-Anwendungen wichtige Zusammenhänge übersehen, wie etwa komplexe Interaktionsmuster in Customer-Relationship-Management-Systemen (CRM). Wenn ein Modell beispielsweise den Erfolg von Vertriebsaktivitäten prognostizieren soll, jedoch nur eindimensionale, lineare Beziehungen berücksichtigt, wird es die Realität stark vereinfachen. Die Ursache liegt meist in einer zu geringen Modellkomplexität, unzureichenden Trainingsdaten oder einer zu restriktiven Regularisierung. Zur Behebung von Underfitting können komplexere Algorithmen (z. B. tiefe neuronale Netze statt linearer Modelle) implementiert, das Feature Engineering ausgebaut oder die Einschränkungen der Regularisierung gelockert werden. Nur durch das Überwinden von Underfitting lässt sich sicherstellen, dass KI-gestützte Analysen wertvolle und differenzierte Erkenntnisse liefern.