❓ Как вы поймёте, что модель недостаточно сложна для вашей задачи, если при этом нет явных признаков недообучения по метрикам

Обычно недообучение проявляется через низкие метрики на тренировке и валидации. Но бывает, что метрики неплохие, а модель не захватывает важные зависимости.

Это может быть критично, особенно если:

✅ Плохая способность к обобщению на сложные случаи
— Например, модель уверенно справляется с типовыми примерами, но ошибается на edge cases, редких или более сложных подгруппах данных.

✅ Ошибки сконцентрированы в важной подвыборке
— Например, модель плохо работает на новых регионах, продуктах или временных периодах.

✅ Сильная зависимость от простых фичей
— Даже при высокой точности, если модель полагается только на "легкие" корреляции (например, средние значения), она может игнорировать тонкие сигналы.

✅ Модель плохо обучается на добавленных сложных признаках
— Если после добавления нетривиальных фич метрики почти не растут, возможно, архитектура модели не позволяет использовать их эффективно.

✅ Анализ ошибок вручную
— Просмотр ошибок показывает систематические промахи в логике, а не шум.

Библиотека собеса по Data Science