کم‌برازش زمانی رخ می‌دهد که مدل ظرفیت یا آموزش کافی برای یادگیری الگوی اصلی داده ندارد. در این وضعیت عملکرد حتی روی داده آموزشی نیز ضعیف است.
افزایش پیچیدگی مدل، افزودن ویژگی‌های مفید یا کاهش Regularization بیش‌ازحد می‌تواند کمک کند.
وقتی مدل هم روی داده آموزش و هم روی ارزیابی ضعیف است، شاید ظرفیت مدل کافی نیست یا ویژگی‌های اصلی مسئله به آن داده نشده‌اند.
فرق کم‌برازش با بیش‌برازش
وقتی مدل حتی روی داده آموزش عملکرد ضعیف دارد، ممکن است ظرفیت یا ویژگی‌های مدل کافی نباشند. افزایش پیچیدگی یا بهبود نمایش ویژگی می‌تواند کمک کند، اما باید نتیجه روی Validation هم سنجیده شود.