Il bias-variance tradeoff: come capire quando un modello è troppo semplice

Cos’è l’underfitting?

L’underfitting si verifica quando un algoritmo non riesce a catturare la complessità dei dati. Il risultato è una bassa accuratezza sia sul training che sul test set.

Un modello troppo semplice può avere bias elevato, ovvero una differenza sistematica tra il valore previsto e quello reale, portando a previsioni imprecise.

Rilevare l’underfitting con il simulatore Overfitting

• Grafico di errore in funzione del numero di parametri: se la curva non si abbassa mai, è un segnale di bias.
• Valutazione della performance su dati noti: una differenza significativa tra training e test indica underfitting.

Per contrastare l’underfitting si possono aggiungere feature più ricche, aumentare la profondità del modello o ridurre le regolarizzazioni troppo forti.