underfitting
underfittingは、機械学習モデルが訓練データのパターンを十分に学習できていない状態を指します。これは、モデルの表現力が低すぎるために、データに潜む重要な傾向や構造を捉えきれず、結果として訓練データと未知のデータの両方で予測精度が低くなる現象です。
過学習との対比underfitting（未学習）は、overfitting（過学習）と対照的な概念です。overfittingが訓練データに過剰に適合してしまい汎用性を失う状態であるのに対し、underfittingはそもそも学習が不十分で、データセットの基本的なルールさえ把握できていない状態を指します。例えば、複雑な曲線を持つデータに対して単純な直線（線形モデル）を当てはめようとすると、underfittingが発生しやすくなります。
未学習を解消する方法
モデルが未学習の状態にある場合、以下のようなアプローチで改善を図ります。
モデルの複雑さを増やす（例：ニューラルネットワークの層を増やす、多項式の次数を上げる）。
より適切な特徴量を導入し、モデルが学習すべき情報を増やす。
正則化（regularization）などの制約を弱め、モデルがより柔軟にデータに適合できるように調整する。
意味
機械学習において、モデルが単純すぎてデータの潜在的な構造を捉えきれず、訓練データとテストデータの両方で性能が低くなる状態のこと
The model's high bias led to underfitting, meaning it failed to recognize the basic trends in the dataset.
モデルのバイアスが高かったため未学習となり、データセットの基本的な傾向を認識できなかった。
分析対象とするデータを表現するには複雑さが不十分であるモデルやプロセスの状態
We need to replace the underfitting linear model with a polynomial one to better capture the curvature of the data.
データの曲線をより適切に捉えるために、未学習の線形モデルを多項式モデルに置き換える必要がある。