Underfitting

يحدث نقص الملاءمة (Underfitting) عندما يكون نموذج تعلم الآلة بسيطاً جداً أو يفتقر إلى القدرة على استيعاب الاتجاهات والأنماط الأساسية داخل بيانات التدريب. ومن الناحية المفاهيمية، يشبه هذا محاولة مطابقة خط مستقيم مع نقاط بيانات تشكل منحنى متميزاً؛ حيث يفشل النموذج في فهم تعقيد العلاقة بين المدخلات والمخرجات. ولأن النموذج لم يتعلم البيانات بفعالية، فإنه يُظهر أداءً ضعيفاً ليس فقط على مجموعة التدريب ولكن أيضاً على بيانات التحقق غير المرئية، مما يؤدي إلى انخفاض الدقة التنبؤية. غالباً ما تكون هذه الظاهرة نتيجة لارتفاع الانحياز في الذكاء الاصطناعي، حيث تفترض الخوارزمية افتراضات مبسطة للغاية حول الدالة المستهدفة.

Link to this sectionالأسباب والمؤشرات#

يمكن أن تؤدي عوامل عدة إلى نموذج يعاني من نقص الملاءمة. السبب الأكثر شيوعاً هو استخدام بنية نموذج ليست معقدة بما يكفي للمهمة المطلوبة، مثل تطبيق الانحدار الخطي على بيانات غير خطية. كما أن مدة التدريب غير الكافية، حيث لا يتم منح النموذج ما يكفي من العصور للتقارب، تمنع التعلم المناسب. علاوة على ذلك، يمكن أن يؤدي التنظيم المفرط—وهو أسلوب يُستخدم عادةً لمنع المشكلة المعاكسة—إلى تقييد النموذج بشكل مفرط، مما يمنعه من التقاط الميزات المهمة.

يمكن للمهندسين تحديد نقص الملاءمة من خلال مراقبة دوال الخسارة أثناء التدريب. إذا ظل كل من خطأ التدريب وخطأ التحقق مرتفعين ولم ينخفضا بشكل ملحوظ، فمن المحتمل أن النموذج يعاني من نقص الملاءمة. وعلى عكس هندسة الميزات الفعالة التي تساعد النماذج على فهم البيانات، فإن توفير عدد قليل جداً من الميزات يمكن أن يحرم النموذج من المعلومات الضرورية.

Link to this sectionنقص الملاءمة مقابل الإفراط في التخصيص (Overfitting)#

من الضروري التمييز بين نقص الملاءمة ونقيضه، الإفراط في التخصيص. يمثل هذان المفهومان طرفي النقيض في مفاضلة الانحياز والتباين.

• نقص الملاءمة (انحياز عالٍ): يكون النموذج جامداً جداً. ويؤدي أداءً ضعيفاً في كل من بيانات التدريب وبيانات الاختبار لأنه لم يتعلم الإشارة الأساسية.
• الإفراط في التخصيص (تباين عالٍ): يكون النموذج مرناً جداً. فهو يحفظ بيانات التدريب، بما في ذلك الضوضاء، ويؤدي أداءً استثنائياً أثناء التدريب لكنه يفشل في التعميم على أمثلة جديدة.

إن إيجاد "النقطة المثالية" بين هذين النقيضين هو الهدف الأساسي من تحسين النموذج.

Link to this sectionتطبيقات العالم الحقيقي#

يعد فهم نقص الملاءمة أمراً حيوياً لتطوير أنظمة ذكاء اصطناعي موثوقة عبر مختلف الصناعات.

• القيادة الذاتية: في سياق المركبات ذاتية القيادة، قد يفشل نموذج اكتشاف الكائنات الذي يعاني من نقص الملاءمة في التمييز بين أحد المشاة وعمود إنارة في بيئات حضرية معقدة. ولأن النموذج يفتقر إلى المعلمات اللازمة لتعلم الاختلافات البصرية الدقيقة، فإنه يهدد سلامة الذكاء الاصطناعي.
• التشخيص الطبي: عند تطبيق تحليل الصور الطبية لاكتشاف تشوهات مثل الأورام، قد يغفل نموذج بسيط للغاية عن الأورام الصغيرة أو غير المنتظمة. وإذا كانت الشبكة العصبية ضحلة جداً، فإنها لا تستطيع تعلم الأنسجة المعقدة المطلوبة لتحقيق الحساسية والنوعية العاليتين، مما يؤدي إلى تشخيصات خاطئة.

Link to this sectionمعالجة نقص الملاءمة باستخدام الكود#

في الرؤية الحاسوبية، غالباً ما يحدث نقص الملاءمة عند استخدام متغير نموذج صغير جداً بالنسبة لصعوبة المهمة (على سبيل المثال، اكتشاف أجسام صغيرة في صور طائرات بدون طيار عالية الدقة). يوضح مثال Python التالي كيفية التبديل من نموذج أصغر إلى نموذج أكبر وأكثر قدرة باستخدام مكتبة ultralytics لحل نقص الملاءمة المحتمل.

from ultralytics import YOLO

# If 'yolo26n.pt' (Nano) is underfitting and yielding low accuracy,
# upgrade to a model with higher capacity like 'yolo26l.pt' (Large).
model = YOLO("yolo26l.pt")

# Train the larger model.
# Increasing epochs also helps the model converge if it was previously underfitting.
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

بالانتقال إلى نموذج Ultralytics YOLO26 أكبر وضمان مدة تدريب كافية، يكتسب النظام المعلمات اللازمة لتعلم أنماط معقدة، مما يخفف من نقص الملاءمة بفعالية. للتحقق من أن نموذجك لم يعد يعاني من نقص الملاءمة، قم دائماً بتقييمه مقابل مجموعة بيانات اختبار قوية. ولإدارة مجموعات البيانات وتتبع التجارب لاكتشاف نقص الملاءمة مبكراً، توفر منصة Ultralytics أدوات شاملة للتصور والتحليل.