Ce problème intervient lorsque le modèle utilisé est trop simple pour représenter/prédire les données. Le taux d'erreur plafonne alors à un niveau élevé (high bias), sans que l'ajout de données ne puissent améliorer le résultat.
Dans un tel cas, cette correspondance simpliste peut être corrigée en :
- augmentant le nombre de caractéristiques (`n` composantes de `x`) en ajoutant des polynomes typiquement
- augmentant le facteur de régularisant la magnitude des paramètres `θ_j` pour leur donner plus d'influence.