Qué es
El underfitting ocurre cuando un modelo no logra capturar los patrones subyacentes de los datos, ni siquiera durante el entrenamiento. A diferencia del overfitting, donde el modelo memoriza demasiado, acá el problema es que el modelo es demasiado simple o rígido para la complejidad real del problema.
Cómo se detecta
La señal más clara es un mal desempeño tanto en el conjunto de entrenamiento como en el de validación. Si el modelo ni siquiera puede ajustarse bien a los datos que ya vio, difícilmente vaya a generalizar bien a datos nuevos.
Cómo corregirlo
- Usar un modelo con más capacidad (más parámetros o una arquitectura más compleja).
- Agregar más variables (features) relevantes.
- Entrenar durante más tiempo o reducir la regularización si es excesiva.
- Revisar si los datos de entrada realmente contienen la información necesaria para predecir el resultado.