Underfitting

Wprowadzenie

Underfitting (niedopasowanie modelu) występuje, gdy model jest zbyt prosty, aby uchwycić rzeczywiste zależności w danych. Model nie radzi sobie dobrze ani na danych treningowych, ani na danych testowych – ma wysoki błąd bias.

Objawy Underfittingu

• Wysoki błąd treningowy (train loss)

• Wysoki błąd walidacyjny/testowy

• Model nie jest w stanie dobrze aproksymować danych

• Niska dokładność zarówno na zbiorze treningowym, jak i testowym

Przyczyny Underfittingu

• Zbyt prosta architektura modelu (np. liniowa regresja na nieliniowych danych)

• Zbyt mało cech (feature engineering)

• Zbyt krótki trening modelu

• Zbyt silna regularyzacja (np. duże L1/L2, duże dropout)

• Za mała pojemność modelu (np. zbyt płytka sieć neuronowa)

Underfitting vs Overfitting

• Underfitting – model zbyt prosty (wysoki bias, niska wariancja)

• Overfitting – model zbyt skomplikowany (niski bias, wysoka wariancja)

Jak walczyć z Underfittingiem?

• Zwiększenie złożoności modelu (więcej warstw, neuronów, drzew decyzyjnych)

• Dodanie nowych, bardziej informacyjnych cech

• Zmniejszenie siły regularyzacji

• Trening przez dłuższą liczbę epok

• Użycie bardziej zaawansowanych architektur (np. Transformer zamiast prostego MLP)

• Lepsza inicjalizacja wag i funkcje aktywacji

Aktualny status (2026)

Underfitting jest szczególnie widoczny przy pracy z małymi modelami oraz w sytuacjach, gdy próbujemy stosować bardzo silną regularyzację lub zbyt proste architektury na skomplikowanych danych. W praktyce data scientistów celem jest znalezienie złotego środka między underfittingiem a overfittingiem – tzw. sweet spot modelu.

office@freenetmedia.pl