「underfitting」是機器學習和統計學中的一個術語，指的是模型在訓練數據上表現不佳，無法捕捉到數據中的潛在模式或結構。這通常發生在模型過於簡單，無法理解數據的複雜性時。當一個模型出現 underfitting 時，它的預測能力會受到影響，無法有效地應用於新數據，導致高偏差和低方差的情況。
指在模型建立過程中出現的錯誤，通常是由於模型的假設不正確或數據不充分所導致的。這類錯誤會影響模型的預測能力，尤其是在模型無法準確捕捉數據中的關鍵特徵時。
例句 1：
這個簡單的模型導致了嚴重的建模錯誤。
This simple model resulted in significant modeling errors.
例句 2：
我們需要檢查模型的建模錯誤，以提高預測準確性。
We need to check the modeling errors in the model to improve prediction accuracy.
例句 3：
建模錯誤可能會使我們的分析結果不準確。
Modeling errors can lead to inaccurate results in our analysis.
用來描述模型與數據之間的匹配程度不佳的情況。當模型無法適當地描述數據的趨勢或模式時，就會出現這種情況。這通常是由於模型的複雜性不足或數據的特徵未被充分考慮。
例句 1：
這個模型對數據的擬合效果很差。
This model has a poor fit to the data.
例句 2：
我們需要選擇一個更合適的模型來改善擬合效果。
We need to choose a more suitable model to improve the fit.
例句 3：
由於擬合不良，預測結果不可靠。
Due to the poor fit, the predictions are unreliable.
指模型在訓練數據上表現不佳，無法捕捉到數據中的複雜性，通常與過於簡單的模型有關。這種情況會導致模型在新數據上的預測不準確。
例句 1：
這個模型的高偏差使得它在新數據上的表現不佳。
The high bias of this model leads to poor performance on new data.
例句 2：
我們需要降低模型的高偏差，以提高準確性。
We need to reduce the high bias of the model to improve accuracy.
例句 3：
高偏差通常是由於模型過於簡單所造成的。
High bias is often caused by the model being too simple.