Underfitting (česky podučení) je stav, kdy model není schopen zachytit ani zákonitosti obsažené v trénovacích datech, a vykazuje proto vysokou chybu na trénovací i validační množině současně. Právě tato souběžnost jej odlišuje od přeučení, kde je trénovací chyba nízká a validační vysoká. V pojmech kompromisu mezi zkreslením a rozptylem jde o oblast vysokého zkreslení: model si o datech drží příliš jednoduchou představu. Příčiny bývají tři. Nedostatečná kapacita, kdy se lineárním modelem snažíme popsat zjevně nelineární vztah, nebo je síť příliš malá pro složitost úlohy. Nevhodné příznaky, které prostě neobsahují informaci potřebnou k predikci. A chyby v optimalizaci – příliš nízká rychlost učení, příliš krátký trénink, nadměrná regularizace nebo mizející gradient, který nepustí signál do spodních vrstev. Diagnóza je poměrně snadná, protože obě chybové křivky leží vysoko a přiléhají k sobě, a řešení je přímočaré: zvětšit model, trénovat delší dobu, oslabit regularizaci nebo doplnit informativnější příznaky.
Podučený model je student, který se na zkoušku z fyziky naučil jedinou větu: „Všechno padá dolů.“ Není přeučený – nedrží se úzkostlivě konkrétních zadání –, jenže neumí ani ta zadání, která měl k dispozici. U testu i u ústní zkoušky pohoří stejně. Poznáte to snadno: nezvládá ani příklady, které jste s ním probírali. Náprava je proto jiná než u přeučení. Nemusíte ho krotit, naopak – dejte mu silnější aparát, víc času nad knihami a přestaňte mu zakazovat používat vzorce.