Le sous-ajustement survient quand un modèle est trop simple pour capturer les motifs sous-jacents des données, performer mal sur les données d'entraînement et de test. Contrairement au surapprentissage, le sous-ajustement n'apprend pas du tout. Causes : modèle trop simple, entraînement insuffisant ou caractéristiques inadéquates. Remèdes : modèle plus complexe, entraînement plus long, ajout de caractéristiques ou réduction de la régularisation.