Definizione
L’underfitting è una condizione in cui un modello di machine learning è troppo semplice per catturare i pattern sottostanti nei dati di addestramento. Questo porta a prestazioni scarse sia sui dati di training sia sui dati di test, poiché il modello non riesce a imparare in modo efficace le relazioni tra le variabili.
L’underfitting può verificarsi per diversi motivi, tra cui:
- Modello troppo semplice rispetto alla complessità del problema (es. una rete neurale con un numero insufficiente di parametri).
- Eccessiva regolarizzazione, che riduce troppo la capacità del modello di adattarsi ai dati.
- Dati di scarsa qualità o feature poco rappresentative del problema da risolvere.
Un modello affetto da underfitting ha un errore elevato sia sui dati di training che di test e non riesce a generalizzare. Per risolvere questo problema, si possono adottare strategie come aumentare la complessità del modello, raccogliere più dati (oppure aumentarli artificialmente con tecniche di data augmentation) o migliorare l’ingegneria delle feature.
Applicazioni in medicina
- Diagnosi assistita da IA: Se un modello di deep learning per il riconoscimento di tumori nelle immagini mediche fosse troppo semplice, potrebbe non riuscire a distinguere tra tessuto sano e patologico, portando a diagnosi errate.
- Predizione di malattie: Un modello predittivo per il rischio cardiovascolare che non considera variabili cliniche rilevanti può sottostimare la probabilità di eventi cardiaci.
