Underfitting

Was ist Underfitting?

Underfitting beschreibt einen Zustand beim Training von Maschinellen Lernen-Modellen, bei dem das Modell zu einfach ist, um die tatsächliche Struktur der Daten zu erfassen. Es liefert dann sowohl auf den Trainingsdaten als auch auf neuen, unbekannten Daten schlechte Ergebnisse – es hat schlicht nicht genug Kapazität gelernt, die relevanten Muster abzubilden. Underfitting ist das direkte Gegenstück zu Overfitting, bei dem ein Modell zu komplex ist und sich zu stark an die Trainingsdaten anpasst.

Wie funktioniert Underfitting?

Stell dir vor, du willst den Zusammenhang zwischen Werbeausgaben und Umsatz mit einer geraden Linie beschreiben – obwohl der echte Zusammenhang eine Kurve ist. Die Linie wird nie gut passen, egal wie viele Datenpunkte du hinzufügst. Genau das passiert beim Underfitting: Das Modell hat zu wenige Parameter, nutzt zu wenige Features oder wird zu früh im Training gestoppt, sodass es die zugrunde liegenden Muster in den Trainingsdaten nicht annähernd abbilden kann.

In der Praxis erkennt man Underfitting daran, dass die Loss Function auch nach dem Training hoch bleibt – sowohl auf den Trainings- als auch auf den Validierungsdaten. Das Modell hat keinen Spielraum, komplexere Zusammenhänge zu lernen, weil seine Architektur oder sein Training das von vornherein verhindert.

Vorteile für Unternehmen

• Frühzeitige Diagnose spart Kosten: Wer Underfitting rechtzeitig erkennt, vermeidet den Einsatz unbrauchbarer Modelle in der Produktion und den damit verbundenen Folgeaufwand.
• Klareres Modelldesign: Das Verständnis von Underfitting hilft Teams, Modellarchitektur und Datenaufbereitung von Beginn an besser zu planen und teure Iterationsschleifen zu vermeiden.
• Bessere Ressourcenplanung: Statt ein zu simples Modell immer weiter zu trainieren, kann das Team gezielt entscheiden, ob mehr Daten, mehr Features oder eine komplexere Architektur nötig sind.
• Verlässlichere KI-Systeme: Modelle, die weder underfitted noch overfitted sind, liefern im Alltag stabile Ergebnisse – das stärkt das Vertrauen in KI-gestützte Entscheidungen.

Praxisbeispiele

Beispiel 1: Nachfrageprognose im Handel

Ein Einzelhändler will den Lagerbestand mit einem KI-Modell optimieren. Das eingesetzte Modell berücksichtigt nur den Monat als einziges Merkmal. Das Ergebnis: Die Prognosen weichen stark von den tatsächlichen Verkäufen ab, weil Faktoren wie Wochentag, Wetter oder Aktionen völlig fehlen. Das Modell ist underfitted – es bildet die Komplexität der Nachfrage schlicht nicht ab. Die Lösung liegt in zusätzlichen Features und einer leistungsfähigeren Modellarchitektur.

Beispiel 2: Kundensegmentierung im B2B

Ein Maschinenbauunternehmen will seine Kunden anhand von Kaufverhalten und Branche segmentieren. Es wird ein sehr einfaches Modell mit nur zwei Clustern eingesetzt. Das Ergebnis: Alle Kunden landen in einer von zwei Gruppen, obwohl es tatsächlich fünf unterschiedliche Kaufmuster gibt. Das Underfitting führt dazu, dass Marketingmaßnahmen zu unspezifisch bleiben und Potenziale ungenutzt bleiben.

Worauf du achten solltest

Underfitting wird häufig dann übersehen, wenn Teams den Fehler machen, nur die Trainingsgenauigkeit zu beobachten ohne sie einzuordnen. Typische Ursachen sind: zu wenige Hyperparameter, zu kurze Trainingsdauer, zu stark vereinfachte Modellarchitektur oder zu wenig aussagekräftige Features. Auch übermäßige Regularization kann Underfitting auslösen, wenn die Strafterme so stark gesetzt werden, dass das Modell keine sinnvollen Muster mehr lernen kann. Wichtig: Ein underfittetes Modell lässt sich nicht durch mehr Trainingsdaten allein reparieren – die Modellkapazität selbst muss erhöht werden.

Häufige Fragen

Woran erkenne ich Underfitting konkret?

Der stärkste Hinweis ist ein hoher Fehler sowohl auf den Trainings- als auch auf den Validierungsdaten. Wenn Accuracy oder andere Metriken auf beiden Datensätzen schlecht sind, deutet das auf Underfitting hin – im Gegensatz zu Overfitting, wo der Trainingsfehler niedrig, der Validierungsfehler aber hoch ist.

Was hilft gegen Underfitting?

Häufig hilft eine komplexere Modellarchitektur, das Hinzufügen weiterer relevanter Features oder eine längere Trainingsdauer. Auch das Reduzieren von Regularisierungsstärken kann Abhilfe schaffen, wenn diese zu restriktiv gesetzt wurden.

Ist Underfitting schlimmer als Overfitting?

Beide führen zu unbrauchbaren Modellen. Underfitting ist jedoch oft einfacher zu diagnostizieren, weil der Fehler auf Trainings- und Testdaten gleichermaßen hoch ist. Overfitting ist subtiler, weil das Modell auf den Trainingsdaten gut wirkt, in der Praxis aber versagt.

Fazit

Underfitting ist ein grundlegendes Qualitätsproblem beim Einsatz von KI-Modellen: Das Modell hat schlicht nicht genug gelernt, um nützlich zu sein. Für Unternehmen ist es wichtig, diesen Zustand früh im Entwicklungsprozess zu erkennen und gezielt gegenzusteuern – durch mehr Modellkapazität, bessere Features oder angepasste Trainingsparameter. Wer die Balance zwischen Underfitting und Overfitting versteht, legt den Grundstein für KI-Systeme, die im Unternehmensalltag tatsächlich zuverlässig funktionieren.