Dit artikel is onderdeel van de AI Woordenlijst op De Wereld van AI. Daar vind je een overzicht van alle belangrijke AI-begrippen.
Wat is underfitting?
Underfitting is een probleem bij AI-modellen waarbij het model te simpel is om de onderliggende patronen in de data goed te leren. Het model presteert daardoor slecht, zowel op trainingsdata als op nieuwe data.
Uitleg van het begrip in begrijpelijke taal
Bij underfitting heeft een AI-model te weinig geleerd van de data. Het model ziet de complexiteit van het probleem niet en maakt daardoor grove fouten. Dit gebeurt wanneer het model te eenvoudig is of te weinig training heeft gehad.
Hoe het werkt of hoe het wordt toegepast
Underfitting ontstaat vaak wanneer een model te weinig parameters heeft, te kort wordt getraind of wanneer de gebruikte data te sterk is vereenvoudigd. Het model kan dan geen goede verbanden leggen tussen invoer en uitvoer. In de praktijk wordt underfitting herkend aan lage prestaties, zelfs op data die het model al heeft gezien.
Praktisch voorbeeld of toepassingen
Stel dat een AI-model moet voorspellen wat de prijs van een huis is, maar alleen kijkt naar het aantal kamers en geen rekening houdt met locatie of woonoppervlak. Het model is dan te simpel om realistische prijzen te voorspellen. Zowel tijdens training als bij nieuwe huizen zal het model veel fouten maken.
Verder leren
Wie wil begrijpen hoe AI-modellen beter kunnen leren en hoe de balans tussen te simpel en te complex wordt gevonden, kan verder leren via mijn gratis AI basiscursus.
DE WERELD VAN AI 