Was ist Underfitting?

Was ist Underfitting?

Underfitting tritt auf, wenn ein Modell zu einfach oder nicht ausreichend trainiert ist, was dazu führt, dass es wichtige Muster in den Daten nicht erlernen kann. Infolgedessen schneidet es sowohl bei Trainings- als auch bei neuen Daten schlecht ab.

Das ist wie der Versuch, eine Sprache mit nur fünf Wörtern zu lernen – man weiß nicht genug, um richtig zu verstehen oder zu antworten.

Warum Underfitting wichtig ist

• Schlechte Trainingsgenauigkeit: Das Modell kann die Daten, die es sieht, nicht einmal verstehen.
• Schlechte Ergebnisse in der realen Welt: Vorhersagen bleiben von geringer Qualität und unzuverlässig.
• Zu einfache Modellstruktur: Wesentliche Merkmale werden ignoriert.

Anzeichen von Underfitting

• Niedrige Genauigkeit sowohl bei Trainings- als auch bei Testdaten.
• Sehr kleine Modellarchitektur, die an Schichten oder Komplexität fehlt.
• Unzureichende Trainingszeit oder nicht genügend Epochen.

Wie man Underfitting behebt

• Erhöhen Sie die Modellkomplexität (mehr Schichten oder Parameter).
• Länger trainieren, um ein tieferes Lernen zu ermöglichen.
• Verwenden Sie bedeutungsvollere Merkmale oder bessere Trainingsdaten.
• Reduzieren Sie die Regularisierung, damit das Modell mehr Details lernen kann.