Underfitting is het tegenovergestelde van overfitting. Het treedt op wanneer een AI-model te simpel is om de complexiteit van de trainingsdata te begrijpen. Het model leert de onderliggende patronen niet goed genoeg en presteert daarom slecht, zowel op de trainingsdata als op nieuwe, onbekende data.

Underfitting ontstaat meestal wanneer: het model niet complex genoeg is (bijvoorbeeld een lineaire model voor niet-linaire data), de training niet lang genoeg duurt, of er te weinig trainingsdata is. Het model “geeft het op” voordat het de echte patronen heeft ontdekt.

In tegenstelling tot overfitting, waar het model te veel details onthout, kan underfitting zich voordoen bij modellen die te conservatief zijn. Het is een balanceringsprobleem: je wilt een model dat complex genoeg is om te leren, maar niet zo complex dat het ruis gaat onthouden.