Underfitting

Underfitting tritt auf, wenn ein Machine-Learning-Modell zu einfach ist, um die zugrunde liegende Struktur oder Muster in den Trainingsdaten zu erfassen. Das Modell kann weder die Trainingsdaten noch neue, ungesehene Daten gut vorhersagen oder klassifizieren. Dies resultiert typischerweise aus einer zu geringen Modellkomplexität (z.B. zu wenige Parameter, zu flache neuronale Netze) oder einer unzureichenden Anzahl an Features im Datensatz. Die Performance ist sowohl auf den Trainings- als auch auf den Validierungs- und Testdatensätzen niedrig, was darauf hindeutet, dass das Modell die Beziehungen innerhalb der Daten nicht adäquat lernt.

Für Marketing- und KI-Anwendungen bedeutet Underfitting, dass Modelle keine präzisen Vorhersagen oder personalisierten Empfehlungen liefern können. Dies beeinträchtigt die Effektivität von Kampagnen, die Kundensegmentierung und die Lead-Generierung. Ein unterangepasstes Modell kann Chancen zur Optimierung verpassen und zu ineffizienten Ressourceneinsatz führen, was die Wettbewerbsfähigkeit und den ROI von KI-Marketing-Initiativen reduziert.

Ein einfaches lineares Regressionsmodell wird zur Vorhersage der Kaufwahrscheinlichkeit von Kunden basierend auf zwei demografischen Merkmalen eingesetzt. Wenn die tatsächliche Beziehung komplex und nicht-linear ist, würde das Modell unteranpassen und die Kaufwahrscheinlichkeit für viele Kundensegmente ungenau vorhersagen, was zu suboptimalen Marketingentscheidungen führt.

Underfitting wurde im Kontext des Bias-Variance Tradeoffs formalisiert (Geman et al., 1992). Moderne Deep-Learning-Modelle leiden selten an Underfitting, da sie sehr hohe Kapazität haben.

• Bias-Variance TradeoffArtikel
• Google ML Crash Course: GeneralizationDokumentation