Underfitting (sous-apprentissage)
Le sous-apprentissage désigne un modèle trop simple pour capturer les motifs sous-jacents présents dans les données, produisant de mauvaises performances aussi bien sur les données d’entraînement que sur des données nouvelles — contrairement à l’overfitting, qui mémorise excessivement les données d’entraînement sans généraliser.
Analogie utile : trois apprentis cuisiniers face à une recette. Le premier, en sous-apprentissage, a des connaissances trop limitées et ne réussit que dans des circonstances très spécifiques. Le deuxième, en surapprentissage, a mémorisé la recette par cœur mais échoue face à la moindre variation. Le troisième généralise correctement et s’adapte à différentes situations — c’est l’objectif recherché entre les deux extrêmes. Techniquement, l’underfitting survient quand le modèle est trop simple (une régression linéaire appliquée à un problème non linéaire, par exemple) ou quand l’entraînement s’arrête prématurément.
En RH, un modèle de scoring de CV ou de prédiction de turnover en sous-apprentissage ignore des relations importantes entre les variables — il produit des résultats trop génériques, peu discriminants, incapables de distinguer des profils réellement différents. Signal d’alerte à surveiller : des prédictions RH qui semblent uniformes ou peu nuancées, quelle que soit la diversité réelle des situations analysées.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : Innovatiana, Nexa.fr.