Underfitting-ul (subadaptarea) este o problemă în învățarea automată în care un model este prea simplu pentru a captura tiparele reale și complexitatea din datele de antrenament, rezultând performanțe slabe atât pe datele de antrenament, cât și pe date noi, nevăzute anterior.
Cauzele tipice ale underfitting-ului includ: un model prea simplu pentru complexitatea reală a problemei (de exemplu, folosirea unei regresii liniare pentru a modela o relație clar neliniară între variabile), un antrenament insuficient (prea puține iterații de optimizare pentru ca modelul să învețe tiparele din date), sau caracteristici de intrare insuficiente sau irelevante, care nu conțin informația necesară pentru a face predicții precise.
Underfitting-ul se identifică practic prin observarea unei erori mari atât pe setul de antrenament, cât și pe setul de test/validare — spre deosebire de overfitting, unde modelul performează excelent pe datele de antrenament, dar prost pe date noi. Un model cu underfitting nu a reușit să învețe nici măcar tiparele din datele pe care le-a văzut deja.
Soluțiile pentru rezolvarea underfitting-ului includ creșterea complexității modelului (adăugarea mai multor straturi într-o rețea neuronală, folosirea unui algoritm mai flexibil), adăugarea de caracteristici relevante suplimentare prin ingineria caracteristicilor, reducerea regularizării (dacă aceasta este prea agresivă și restricționează excesiv capacitatea modelului de a învăța), și prelungirea antrenamentului atunci când modelul nu a avut suficient timp să converg la o soluție optimă.
