Overfitting och underfitting är två problem som kan uppstå vid maskininlärning.
Overfitting innebär att modellen har lärt sig träningsdatan så väl att den presterar mycket bra på träningsdatan, men dåligt på nya, okända data. Detta kan hända om modellen är för komplex och har anpassat sig för mycket efter träningsdatan.
Ett exempel kan vara att modellen har lärt sig utantill vilka svar som hör till vilka frågor istället för att förstå problemet.