التحيز الناقص (Underfitting)

يحدث عدم الملاءمة عندما يكون نموذج التعلم الآلي بسيطًا جدًا أو يفتقر إلى القدرة على التقاط الاتجاهات والأنماط الأساسية داخل بيانات التدريب. من الناحية النظرية، يشبه ذلك محاولة ملاءمة خط مستقيم عبر نقاط البيانات التي تشكل منحنى واضحًا؛ يفشل النموذج في فهم تعقيد العلاقة بين المدخلات والمخرجات. نظرًا لأن النموذج لم يتعلم البيانات بشكل فعال، فإنه يظهر أداءً ضعيفًا ليس فقط في مجموعة التدريب ولكن أيضًا في بيانات التحقق غير المرئية، مما يؤدي إلى انخفاض دقة التنبؤ. غالبًا ما تكون هذه الظاهرة نتيجة التحيز العالي في الذكاء الاصطناعي، حيث تقوم الخوارزمية بافتراضات مبسطة للغاية حول الوظيفة المستهدفة.

الأسباب والمؤشرات

هناك عدة عوامل يمكن أن تؤدي إلى نموذج غير ملائم. السبب الأكثر شيوعًا هو استخدام بنية نموذجية غير معقدة بما يكفي للمهمة المطلوبة، مثل تطبيق الانحدار الخطي على البيانات غير الخطية. كما أن مدة التدريب غير الكافية، حيث لا يُمنح النموذج ما يكفي من الفترات الزمنية للتقارب، تمنع أيضًا التعلم الكافي. علاوة على ذلك، فإن التنظيمالمفرط — وهو أسلوب يُستخدم عادةً لمنع المشكلة المعاكسة — يمكن أن يقيد النموذج بشكل مفرط، مما يمنعه من التقاط السمات المهمة.

يمكن للمهندسين تحديد عدم الملاءمة من خلال مراقبة وظائف الخسارة أثناء التدريب. إذا ظل كل من خطأ التدريب وخطأ التحقق مرتفعين ولم ينخفضا بشكل كبير، فمن المحتمل أن النموذج غير ملائم. على نقيض هندسة الميزات الفعالة، التي تساعد النماذج على فهم البيانات، فإن توفير عدد قليل جدًا من الميزات يمكن أن يحرم النموذج من المعلومات الضرورية.

التكييف الناقص مقابل التكييف الزائد

من المهم التمييز بين عدم الملاءمة ونظيرتها، الملاءمة المفرطة. يمثل هذان المفهومان طرفي نقيض المفاضلة بين التحيز والتباين.

• التقليل من الملاءمة (التحيز العالي): النموذج صارم للغاية. أداءه ضعيف في كل من بيانات التدريب والاختبار لأنه لم يتعلم الإشارة الأساسية.
• التكيف المفرط (التباين العالي): النموذج مرن للغاية. فهو يحفظ بيانات التدريب، بما في ذلك الضوضاء، ويؤدي أداءً استثنائيًا أثناء التدريب ولكنه يفشل في التعميم على أمثلة جديدة .

إن إيجاد "النقطة المثالية" بين هذين الطرفين المتطرفين هو الهدف الأساسي لتحسين النموذج.

تطبيقات واقعية

فهم مفهوم "التناسب غير الكافي" أمر بالغ الأهمية لتطوير أنظمة ذكاء اصطناعي موثوقة في مختلف الصناعات.

• القيادة الذاتية: في سياق المركبات الذاتية القيادة، قد يفشل نموذج الكشف عن الأجسام غير المجهز بشكل كافٍ في التمييز بين المشاة وأعمدة الإنارة في البيئات الحضرية المعقدة. ونظرًا لأن النموذج يفتقر إلى المعلمات اللازمة لتعلم الاختلافات البصرية الدقيقة، فإنه يعرض سلامة الذكاء الاصطناعي للخطر.
• التشخيص الطبي: عند تطبيق تحليل الصور الطبية detect شاذة مثل الأورام، قد يفوت النموذج البسيط للغاية الأورام الصغيرة أو غير المنتظمة. إذا كانت الشبكة العصبية ضحلة للغاية، فإنها لا تستطيع تعلم الأنسجة المعقدة المطلوبة للحصول على درجة عالية من الحساسية والخصوصية، مما يؤدي إلى تشخيصات خاطئة.

معالجة عدم الملاءمة باستخدام الكود

في الرؤية الحاسوبية، غالبًا ما يحدث عدم الملاءمة عند استخدام نموذج متغير صغير جدًا بالنسبة لصعوبة المهمة (على سبيل المثال، اكتشاف الأجسام الصغيرة في صور الطائرات بدون طيار عالية الدقة). ما يلي Python يوضح المثال كيفية التحول من نموذج أصغر إلى نموذج أكبر وأكثر قدرة باستخدام ultralytics المكتبة لحل مشكلة عدم الملاءمة المحتملة.

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)

من خلال الانتقال إلى نموذج Ultralytics الأكبر حجمًا وضمان مدة تدريب كافية، يكتسب النظام المعلمات اللازمة لتعلم الأنماط المعقدة، مما يقلل بشكل فعال من عدم الملاءمة. للتحقق من أن نموذجك لم يعد غير ملائم، قم دائمًا بتقييمه مقابل مجموعة بيانات اختبار قوية . لإدارة مجموعات البيانات وتتبع التجارب لاكتشاف عدم الملاءمة في وقت مبكر، توفر Ultralytics أدوات شاملة للتصور والتحليل.