Lihat sumber Overfitting dan Underfitting dalam Pembelajaran Terawasi

Overfitting dan underfitting adalah dua masalah utama yang sering ditemui dalam pembelajaran terawasi. Kedua masalah ini mempengaruhi kemampuan model untuk menggeneralisasi data baru secara akurat.

== Overfitting ==
[[Overfitting]] terjadi ketika model terlalu menyesuaikan diri dengan data pelatihan, sehingga gagal memprediksi data uji secara tepat. Model yang overfit biasanya memiliki performa sangat baik pada data pelatihan, namun buruk pada data testing.

== Underfitting ==
Sebaliknya, [[underfitting]] terjadi ketika model tidak mampu menangkap pola yang ada dalam data pelatihan, sehingga baik performa pada data pelatihan maupun testing sama-sama rendah. Hal ini sering terjadi jika model terlalu sederhana atau fitur yang digunakan kurang informatif.

== Cara Mengatasi ==
Untuk mengatasi overfitting, dapat digunakan teknik seperti [[regularisasi]], [[pruning]], atau menambah jumlah data pelatihan. Sementara untuk underfitting, solusi yang umum adalah menggunakan model yang lebih kompleks atau menambah fitur yang lebih relevan.