# Sous-apprentissage (Underfitting)

> Phénomène où un modèle est trop simple pour capturer la complexité des données d'entraînement.

- Page ZoneIA : https://zoneia.fr/glossaire/sous-apprentissage-underfitting
- Type : Définition du glossaire IA
- Catégories : [Analyse de Données & Data](https://zoneia.fr/outils/categorie/analyse-donnees-data), [Recherche & Science](https://zoneia.fr/outils/categorie/recherche-science-ia)
- Publié le : 2026-03-04
- Mis à jour le : 2026-05-22

Le sous-apprentissage survient quand un modèle n’a pas assez de capacité (ou n’est pas assez entraîné) pour apprendre les motifs présents dans les données. Il échoue alors à bien expliquer les exemples d’entraînement et, par conséquent, généralise mal sur de nouvelles données. Contrairement au surapprentissage, ici le problème vient d’un modèle **trop simple** ou d’un apprentissage **insuffisant**.

## Comment le repérer
Un signe typique est une **erreur élevée à la fois sur l’entraînement et sur la validation/test**. Les courbes d’apprentissage restent “haut” des deux côtés. En classification, on observe souvent une précision faible partout, sans écart marqué entre train et test.

## Causes fréquentes
- Modèle trop contraint : linéaire alors que la relation est non linéaire, profondeur/complexité trop faible.
- Trop de régularisation (L1/L2), dropout excessif.
- Entraînement trop court : pas assez d’époques, early stopping trop agressif.
- Représentation des données pauvre : features insuffisantes ou prétraitement inadapté.

## Comment le corriger
Augmenter la capacité (modèle plus expressif), réduire la régularisation, entraîner plus longtemps, enrichir les features, ou utiliser des transformations/non-linéarités. En pratique, on cherche un compromis via validation croisée et suivi des métriques.

---

Source : ZoneIA, annuaire francophone des outils IA (https://zoneia.fr/glossaire/sous-apprentissage-underfitting)