Was ist Underfitting bei KI-Modellen?

Underfitting bezeichnet das gegenteilige Problem zu Overfitting. Ein Modell, das underfit, ist zu simpel für die Komplexität der Daten. Es hat die relevanten Muster nicht gelernt und macht daher sowohl auf Trainingsdaten als auch auf neuen Daten viele Fehler.

Das Gegenteil von Overfitting (zu komplex, lernt Rauschen auswendig) ist Underfitting (zu einfach, lernt nicht mal die echten Muster). Beide sind Probleme, die zu schlechter Generalisierung führen, aber aus verschiedenen Gründen.

Woran erkennt man Underfitting?

Der typische Hinweis: schlechte Performance auf Trainingsdaten. Wenn das Modell auf den Daten, mit denen es trainiert wurde, eine geringe Accuracy oder einen hohen Loss hat, dann kann es die zugrunde liegenden Muster nicht abbilden.

In Lernkurven zeigt sich Underfitting daran, dass Training- und Validierungsfehler beide hoch bleiben, ohne sich mit mehr Training wesentlich zu verbessern.

Ursachen und Lösungen

Zu einfaches Modell: Ein lineares Modell für ein nichtlineares Problem. Lösung: komplexeres Modell wählen, mehr Schichten oder Neuronen. Zu wenige Trainingsiterationen: Das Modell hat nicht genug gelernt. Lösung: mehr Epochen trainieren. Zu starke Regularisierung: Das Modell wurde zu stark eingeschränkt. Lösung: Regularisierung reduzieren. Zu wenig Features: Dem Modell fehlen relevante Eingabemerkmale. Lösung: Feature Engineering verbessern.

Der Bias-Variance Tradeoff

Underfitting und Overfitting werden im Kontext des “Bias-Variance Tradeoffs” diskutiert. Underfitting entspricht hohem Bias (zu starke Vereinfachung). Overfitting entspricht hoher Varianz (zu starke Reaktion auf Trainingsdaten). Das optimale Modell balanciert beides.

Für die Praxis gilt: Starte mit einem einfacheren Modell und steigere Komplexität nach Bedarf. Das ist robuster als mit einem überkomplexen Modell zu beginnen. In einer KI-Beratung helfen wir bei solchen Entscheidungen.