Underfitting

Beim Training von KI-Modellen gibt es zwei entgegengesetzte Fallgruben, in die ein Vorhaben stürzen kann. Die eine ist das Overfitting, bei dem ein Modell die Trainingsdaten regelrecht auswendig lernt und an neuen Fällen scheitert. Die andere, oft übersehene, ist das Underfitting – das genaue Gegenteil. Hier ist das Modell schlicht zu einfach, um die Zusammenhänge in den Daten überhaupt zu erfassen. Es scheitert nicht am Übermaß, sondern am Mangel an Lernfähigkeit. Für Unternehmen, die KI einsetzen wollen, ist es wichtig, beide Fallen zu kennen, denn sie erfordern gegensätzliche Gegenmaßnahmen. Man kann sich Underfitting mit einem Bild aus der Schule vorstellen: Ein Schüler, der sich weigert, den Stoff genau anzuschauen, und stattdessen mit einer allzu groben Faustregel arbeitet, wird nicht nur in der Prüfung, sondern schon bei den Übungsaufgaben schlecht abschneiden. Genau so verhält sich ein unterangepasstes Modell: Es liefert bereits auf den Trainingsdaten mäßige Ergebnisse – ein deutliches Warnsignal, dass etwas grundlegend nicht stimmt.

Für den Mittelstand ist das Verständnis von Underfitting aus einem praktischen Grund wertvoll. Ein unterangepasstes Modell wirkt nach außen wie ein gescheitertes KI-Projekt: Die Prognosen sind ungenau, die Klassifikationen unzuverlässig, der versprochene Nutzen bleibt aus. Wer die Ursache erkennt, kann gezielt gegensteuern, statt das Vorhaben vorschnell aufzugeben. Oft liegt zwischen einem enttäuschenden und einem erfolgreichen Modell nur eine überschaubare Anpassung – ein leistungsfähigeres Modell, längeres Training oder bessere Daten. Diese Erkenntnis kann bares Geld wert sein, weil sie verhindert, dass aussichtsreiche Projekte aus Unkenntnis abgebrochen werden. In diesem Beitrag erklären wir verständlich, was Underfitting ist, wie es entsteht, wie man es erkennt und wie man es behebt. Der Fokus liegt durchgehend auf der betrieblichen Praxis und auf der Frage, wie Entscheider ein unterangepasstes Modell von einem tatsächlich unlösbaren Problem unterscheiden können.

Was ist Underfitting?

Underfitting, auf Deutsch Unteranpassung, bezeichnet den Zustand, in dem ein KI-Modell zu einfach gebaut oder zu wenig trainiert ist, um die zugrundeliegenden Muster in den Daten zu erfassen. Das Ergebnis: Das Modell macht sowohl bei den Trainingsdaten als auch bei neuen Daten viele Fehler. Es hat die entscheidenden Zusammenhänge nie gelernt und liefert deshalb durchweg schwache Ergebnisse. Fachlich spricht man auch von einem Modell mit hohem Bias, also einer starken systematischen Verzerrung. Das Gegenstück ist das Overfitting, bei dem ein Modell zu komplex ist und die Trainingsdaten inklusive ihrer Zufälligkeiten auswendig lernt. Zwischen diesen beiden Extremen liegt der ideale Zustand: ein Modell, das die echten Muster erfasst, ohne sich in Details zu verlieren. Dieses Spannungsfeld zwischen zu einfach und zu komplex ist eine der zentralen Herausforderungen des maschinellen Lernens und wird als Bias-Varianz-Abwägung bezeichnet.

Ein anschauliches Merkmal des Underfittings ist, dass es sich bereits an den Trainingsdaten zeigt. Während Overfitting erst bei neuen Daten auffällt, versagt ein unterangepasstes Modell schon bei den Beispielen, mit denen es geübt hat. Das macht Underfitting vergleichsweise leicht erkennbar – vorausgesetzt, man schaut hin und misst die Leistung sorgfältig. Als Faustregel gilt: Ist ein Modell schon auf den bekannten Trainingsdaten schlecht, liegt Underfitting nahe. Ist es auf Trainingsdaten gut, aber auf neuen Daten schlecht, deutet das auf Overfitting hin. Diese einfache Unterscheidung ist im Alltag außerordentlich nützlich, weil sie die Richtung der nötigen Gegenmaßnahmen vorgibt. Bei Underfitting muss man dem Modell mehr Fähigkeiten oder bessere Daten geben; bei Overfitting muss man es dagegen einfacher machen oder mit mehr Daten füttern. Wer diese beiden Zustände verwechselt, ergreift die falschen Maßnahmen und verschlimmert das Problem unter Umständen sogar.

Wie entsteht Underfitting?

Die häufigste Ursache ist ein zu einfaches Modell. Wenn die zugrundeliegenden Zusammenhänge komplex sind, ein simples Modell aber nur grobe Muster abbilden kann, bleibt es zwangsläufig hinter den Möglichkeiten zurück. Man versucht dann gewissermaßen, eine verschlungene Realität mit einem geraden Strich zu beschreiben. Für einfache Aufgaben mag das genügen, für anspruchsvolle nicht. Eine zweite Ursache ist zu kurzes oder zu vorsichtiges Training: Wird ein Modell nicht lange genug trainiert oder werden Anpassungen zu stark gebremst, kommt es nie dazu, die Muster wirklich zu verinnerlichen. Auch eine übertriebene Regularisierung – also technische Maßnahmen, die eigentlich Overfitting verhindern sollen – kann ins Gegenteil umschlagen und das Modell so stark einschränken, dass es nicht mehr genug lernt. Gerade dieser Fall tritt häufig auf, wenn aus Angst vor Overfitting zu vorsichtig vorgegangen wird und man das Modell dadurch unbeabsichtigt lähmt.

Manchmal liegt die Ursache gar nicht im Modell, sondern in den Daten. Fehlen wichtige Informationen, sind die Eingabegrößen zu grob oder enthalten die Daten schlicht nicht die Signale, die zur Vorhersage nötig wären, kann auch das beste Modell die Muster nicht finden. In solchen Fällen hilft kein größeres Modell, sondern nur bessere, aussagekräftigere Daten. Das ist eine wichtige Erkenntnis, weil sie zeigt, dass Underfitting nicht immer ein technisches, sondern oft ein Datenproblem ist. Für Unternehmen bedeutet das: Bevor man in aufwendigere Modelle investiert, lohnt der Blick darauf, ob die vorhandenen Daten überhaupt genug hergeben, um die gewünschte Vorhersage zu ermöglichen. Manchmal fehlt einfach die eine entscheidende Information – etwa die Saison bei einer Absatzprognose oder ein wichtiger Kontextwert –, und ihre Ergänzung löst das Problem schlagartig, ohne dass das Modell selbst geändert werden muss.

• Das Modell ist zu einfach, um komplexe Zusammenhänge abzubilden.
• Das Training wird zu früh beendet oder zu stark gebremst.
• Eine übertriebene Regularisierung schränkt das Modell zu stark ein.
• Die Daten enthalten nicht genug aussagekräftige Informationen für die Aufgabe.

Underfitting im Unternehmenseinsatz

In der Praxis äußert sich Underfitting als ein Modell, das seine Aufgabe einfach nicht gut erfüllt. Eine Absatzprognose liegt konstant daneben, eine Betrugserkennung übersieht Muster, ein Klassifikationsmodell sortiert unzuverlässig. Weil die Ergebnisse durchweg schwach sind, wird ein solches Modell im Betrieb schnell als nutzlos abgestempelt. Das Tückische ist, dass die eigentliche Ursache – ein zu einfaches Modell oder unzureichende Daten – nicht offensichtlich ist. Für Unternehmen ist die gute Nachricht, dass Underfitting meist gut behebbar ist. Oft genügt es, ein leistungsfähigeres Modell zu wählen, das Training länger laufen zu lassen, die Regularisierung zu lockern oder aussagekräftigere Eingabegrößen bereitzustellen. Anders als beim Overfitting, das leicht wiederkehrt, lässt sich Underfitting durch gezielte Maßnahmen häufig zuverlässig auflösen. Voraussetzung ist allein, dass man es überhaupt als solches erkennt und nicht mit einem grundsätzlichen Scheitern verwechselt.

Für Entscheider heißt das: Wenn ein KI-Projekt enttäuschende Ergebnisse liefert, lohnt vor dem Abbruch die Diagnose. Ist das Modell schon auf bekannten Daten schwach, ist Underfitting wahrscheinlich – und damit ein Problem, das sich in vielen Fällen mit vertretbarem Aufwand lösen lässt. Diese Unterscheidung bewahrt Betriebe davor, aussichtsreiche Vorhaben vorschnell aufzugeben, und verhindert die teure Fehleinschätzung, KI funktioniere für den eigenen Anwendungsfall grundsätzlich nicht. Ein enttäuschendes Modell ist eben nicht automatisch ein gescheitertes Projekt, sondern oft nur unterangepasst – und das gehört zu den am besten behebbaren Fehlern des maschinellen Lernens. Der richtige Umgang besteht darin, ruhig und systematisch zu prüfen, an welcher Stelle die Ursache liegt, statt aus Frustration den Stecker zu ziehen. Häufig ist der Weg zum brauchbaren Ergebnis kürzer, als es der erste Eindruck vermuten lässt.

Ein enttäuschendes Modell ist nicht automatisch ein gescheitertes Projekt. Oft ist es nur unterangepasst – und das ist einer der am besten behebbaren Fehler im maschinellen Lernen.

Wie man Underfitting behebt

Der naheliegendste Hebel ist, dem Modell mehr Kapazität zu geben. Ein komplexeres Modell mit mehr Schichten oder Parametern kann anspruchsvollere Muster erfassen. Ebenso hilft es oft, das Training länger laufen zu lassen, damit das Modell genug Gelegenheit hat, die Zusammenhänge zu verinnerlichen. Wurde die Regularisierung zu stark angesetzt, kann ihre Lockerung dem Modell den nötigen Spielraum zurückgeben. Mindestens ebenso wichtig ist die Arbeit an den Daten: Zusätzliche, aussagekräftigere Eingabegrößen – etwa saisonale Informationen bei einer Absatzprognose – können den Unterschied ausmachen. Manchmal liegt der Schlüssel darin, vorhandene Daten besser aufzubereiten, sodass die relevanten Signale für das Modell überhaupt sichtbar werden. Die Kombination aus einem angemessen leistungsfähigen Modell und guten Daten ist der zuverlässigste Weg aus dem Underfitting. Wichtig ist dabei, jeweils nur eine Stellschraube zu verändern und die Wirkung sorgfältig zu messen, um die tatsächliche Ursache zu identifizieren, statt planlos zu experimentieren. Dieses systematische Vorgehen ist entscheidend, weil sich die Ursachen von Underfitting sonst kaum auseinanderhalten lassen. Verändert man mehrere Dinge gleichzeitig und wird das Ergebnis besser, weiß man am Ende nicht, welche Maßnahme geholfen hat – und kann die Erkenntnis nicht auf andere Projekte übertragen. Wer dagegen jede Änderung einzeln prüft, baut sich mit der Zeit ein verlässliches Bild davon auf, welche Hebel bei welcher Art von Problem wirken. Für Unternehmen zahlt sich diese Disziplin doppelt aus: Sie führt schneller zum Ziel und schafft zugleich Erfahrungswissen, das künftige KI-Vorhaben günstiger und berechenbarer macht. So wird aus der Behebung eines einzelnen Fehlers ein dauerhafter Kompetenzgewinn.

Praxisbeispiele

Ein Handelsunternehmen stellt fest, dass seine Nachfrageprognose selbst bekannte Verkaufsmuster nicht trifft. Die Analyse zeigt: Das Modell war zu einfach und berücksichtigte weder Saison noch Aktionen. Nach dem Wechsel zu einem leistungsfähigeren Modell und der Ergänzung dieser Informationen verbessern sich die Prognosen deutlich. Ein Dienstleister erkennt, dass sein Klassifikationsmodell durch eine zu strenge Regularisierung ausgebremst wurde, und lockert diese mit gutem Erfolg. Ein Fertigungsbetrieb steigert die Genauigkeit seiner Qualitätskontrolle allein dadurch, dass er das Training länger laufen lässt. Diese Beispiele zeigen, dass hinter einem schwachen Modell selten ein grundsätzliches Scheitern steckt, sondern meist eine konkrete, benennbare und behebbare Ursache – wenn man die Diagnose ernst nimmt. Genau an dieser Stelle scheitern in der Praxis viele Vorhaben nicht an der Technik, sondern an fehlender Geduld. Ein enttäuschendes erstes Ergebnis wird als endgültiges Urteil missverstanden, das Projekt eingestellt und die Investition abgeschrieben – obwohl der Weg zur Lösung häufig kurz gewesen wäre. Wer sich stattdessen die Zeit nimmt, Trainings- und Testleistung getrennt zu betrachten und die wahrscheinliche Ursache einzugrenzen, trifft eine deutlich fundiertere Entscheidung darüber, ob sich weiteres Investment lohnt. Diese nüchterne Diagnose vor dem Abbruch gehört zu den lohnendsten Gewohnheiten im Umgang mit KI-Projekten.

• Nachfrageprognose, die durch mehr Eingabegrößen und ein stärkeres Modell verbessert wird
• Klassifikationsmodell, das nach Lockerung zu strenger Regularisierung zuverlässiger arbeitet
• Qualitätskontrolle, deren Genauigkeit durch längeres Training steigt
• Bewertungsanalyse, die erst mit aussagekräftigeren Textmerkmalen brauchbar wird
• Preisprognose, die durch besser aufbereitete Daten deutlich genauer wird

Häufige Fehler

Der größte Fehler ist, Underfitting gar nicht erst zu erkennen und ein schwaches Modell als generelles Scheitern von KI zu deuten. Ein zweiter Fehler ist die einseitige Angst vor Overfitting: Wer aus Vorsicht das Modell zu stark vereinfacht oder zu hart reguliert, produziert unbeabsichtigt Underfitting. Schließlich übersehen viele die Datenseite und versuchen, ein Datenproblem allein durch größere Modelle zu lösen – was ins Leere läuft, wenn die nötigen Informationen schlicht fehlen. Ein weiterer, oft übersehener Fehler ist es, die Leistung nicht sauber getrennt auf Trainings- und Testdaten zu messen. Nur diese getrennte Messung macht überhaupt sichtbar, ob ein Modell unter- oder überangepasst ist. Ohne sie tappt man im Dunkeln und ergreift Maßnahmen auf gut Glück, was Zeit und Geld kostet und im schlimmsten Fall das Problem verschlimmert, statt es zu lösen.

• Underfitting nicht erkennen und ein behebbares Problem für endgültiges Scheitern halten
• Aus übertriebener Angst vor Overfitting das Modell zu stark vereinfachen
• Ein Datenproblem ausschließlich mit größeren Modellen lösen wollen
• Die Leistung nicht sorgfältig getrennt auf Trainings- und Testdaten messen

Fazit

Underfitting ist die oft übersehene Schwester des Overfittings: ein Modell, das zu einfach ist, um die Muster in den Daten zu erfassen, und deshalb schon bei bekannten Fällen versagt. So ärgerlich das im Betrieb ist, so ermutigend ist die Diagnose – denn Underfitting gehört zu den am besten behebbaren Problemen des maschinellen Lernens. Ein leistungsfähigeres Modell, längeres Training, weniger Bremse oder bessere Daten führen häufig rasch zum Ziel. Für den Mittelstand liegt die wichtigste Lehre darin, enttäuschende KI-Ergebnisse nicht vorschnell als Sackgasse zu werten. Wer erkennt, dass ein Modell unterangepasst ist, hält den Schlüssel zur Verbesserung bereits in der Hand. Die entscheidende Frage lautet: Ist das Modell schon auf bekannten Daten schwach? Wenn ja, ist der Weg zum besseren Ergebnis meist kürzer, als es zunächst scheint – und ein Projektabbruch wäre eine teure, vermeidbare Fehlentscheidung.