什么是欠拟合？

欠拟合（Underfitting）是指机器学习模型没有充分学习数据中的关系，常见表现是训练误差难以下降，或者模型在训练数据上的表现仍然较差。它说明模型没有准确捕捉输入变量与输出目标之间的关系，因此不仅训练集效果不好，在未见过的数据上也可能产生较高错误率。

从模型诊断角度看，欠拟合不是“模型没有记住某几个样本”，而是模型整体表达能力不足，或没有学到数据背后的主要关系。对于 AI 模型训练来说，识别欠拟合的意义在于：先判断模型是否连训练数据中的基本规律都没有学到，再进一步讨论泛化能力。

要点： 如果模型在训练数据上已经表现很差，通常应优先考虑欠拟合，而不是先讨论它是否过度适应训练样本。

用直线拟合曲线理解欠拟合

一个直观类比是：用一条直线去拟合一组明显呈曲线分布的数据点。数据本身存在弯曲趋势，但模型只能表达直线关系，因此无论怎样调整，这条直线都很难贴合数据中的主要变化。

这个类比的重点不是“直线一定不好”，而是模型形式过于简单时，可能无法表达训练数据中真实存在的趋势和模式。换句话说，欠拟合反映的是模型没有足够能力描述输入与输出之间的关系。

欠拟合为什么会发生？

在基础定义层面，欠拟合常与模型过于简单有关。模型如果缺乏捕捉训练数据中潜在趋势和模式的能力，就难以学习输入示例与目标值之间的关系，进而在训练数据上表现糟糕。

模型形式过于简单

模型过于简单时，可表达的关系有限。如果真实数据中的输入与输出关系更复杂，模型就无法有效贴合这种关系，训练误差也难以继续下降。

没有捕捉到潜在趋势和模式

机器学习模型的目标通常不是逐条记忆样本，而是从训练数据中学习可用于预测的模式。欠拟合说明模型没有捕捉到这些模式，或者捕捉得不充分，因此对训练样本和未见样本都可能出现较高错误率。

输入与输出关系没有被准确学习

如果模型不能描述输入变量 X 与目标值 Y 之间的关系，它的预测就会偏离真实目标。此时，即使继续观察训练误差，也可能发现误差仍处在较高水平。

欠拟合与过拟合有什么区别？

欠拟合和过拟合都意味着模型效果不理想，但问题方向不同。欠拟合通常说明模型没有学到训练数据中的关键关系；过拟合则可表现为训练误差远小于验证误差，即模型在训练数据上表现很好，但在验证数据或未见数据上的表现不足。

需要注意的是，训练误差低并不自动代表模型泛化误差低。仅仅最小化训练误差，并不一定会让模型在未见数据上的表现变好。因此，判断模型状态时，应同时关注训练数据和验证数据上的表现。

如何用训练误差和验证误差判断模型状态？

训练误差与验证误差是理解欠拟合和过拟合的重要入口。训练误差反映模型对训练数据的拟合程度，验证误差或未见数据表现则帮助判断模型是否具备泛化能力。

先看训练数据上的表现

如果模型在训练数据上的误差仍然较高，或者整体性能很差，这通常是欠拟合信号。因为模型连已经见过的训练样本都没有拟合好，说明它可能没有学到输入与输出之间的主要关系。

再结合验证数据或未见数据表现

如果训练集和未见数据上的错误率都较高，更符合欠拟合的表现。此时问题并不只是模型对新数据不稳定，而是模型对训练数据中的基本规律也没有掌握。

不把训练误差当作唯一目标

训练误差可以帮助发现欠拟合，但不能单独用来证明模型可靠。由于训练误差不能直接等同于泛化误差，单纯追求训练误差最小化，未必会带来更好的验证表现。

发现欠拟合后，应从哪些方向分析？

发现欠拟合后，首先要确认问题性质：模型是否过于简单，是否没有捕捉输入与输出之间的关系，是否无法学习训练数据中的潜在趋势和模式。实际分析时，不宜把欠拟合诊断直接等同于某个固定调参方案，而应先判断现象是否符合欠拟合。

可以从以下角度做初步排查：

可以用下面的检查清单快速回看：

• 训练集上的表现是否已经较差？
• 未见数据上的错误率是否同样较高？
• 模型是否没有捕捉输入与输出之间的关系？
• 模型是否过于简单，难以描述数据中的趋势和模式？
• 当前现象是否不同于“训练误差远小于验证误差”的过拟合表现？

如果这些问题多数指向“训练数据也没有拟合好”，就可以把欠拟合作为主要诊断方向。后续再根据具体任务、模型类型和数据情况，谨慎决定是否需要调整模型设计或训练流程。