Underfitting

يحدث نقص التكيّف عندما يعجز نموذج التعلم الآلي (ML) عن التقاط الأنماط في بيانات التدريب، فيرتكب أخطاء كبيرة في الأمثلة التي تعلم منها وكذلك في الأمثلة الجديدة. ومن الأمثلة الكلاسيكية ملاءمة خط مستقيم لنقاط تتبع منحنى، كما يفعل الانحدار الخطي البسيط؛ إذ لا يمكن لأي اختيار للميل والجزء المقطوع أن يتبع انحناءه. ويكون انحياز النموذج ناقص التكيّف مرتفعًا، أي إن افتراضاته شديدة التقييد للعلاقة الحقيقية بين المدخلات والمخرجات، وتكون دقته منخفضة في مجموعة التدريب وكذلك في بيانات الاختبار.

مؤشرات نقص التكيّف#

أوضح مؤشر هو بقاء خسارة التدريب مرتفعة. فعندما تستقر دالة الخسارة عند مستوى أعلى بكثير من المقبول، وتكون خسارة بيانات التحقق قريبة منها، فهذا يعني أن النموذج لا يتعلم بما يكفي؛ وتُظهر الفجوة الصغيرة بينهما أن الحفظ ليس المشكلة. وتكشف منحنيات التعلّم التي ترسم الخطأ مقابل حجم مجموعة التدريب مؤشرًا ثانيًا: إذ يستقر المنحنيان عند خطأ مرتفع، فلا تكاد إضافة مزيد من البيانات من النوع نفسه تساعد. وفي اكتشاف الأجسام، يكون النموذج الذي يحقق متوسط دقة (mAP) منخفضًا على الصور نفسها التي دُرّب عليها يعاني من نقص التكيّف، وهو أحد الفحوص الواردة في دليل اختبار النماذج من Ultralytics. وتفصل مقارنة الخسارتين بين نقص التكيّف وفرط التكيّف:

الأسباب الشائعة#

• سعة غير كافية: لا تستطيع عائلة النموذج تمثيل النمط، مثل نموذج خطي لبيانات منحنية أو شبكة صغيرة جدًا لمهمة رؤية معقدة.
• عدد قليل جدًا من دورات التدريب: يؤدي إيقاف التدريب مبكرًا، أو استخدام معدل تعلم أصغر من أن يحقق تقدمًا خلال الوقت المتاح، إلى توقف المحسّن قبل التقارب.
• انتظام مفرط: يقيّد اضمحلال الأوزان القوي أو معدلات الإسقاط المرتفعة أو زيادة البيانات الشديدة النموذج بإفراط، فيعجز عن ملاءمة الإشارة.
• سمات غير غنية بالمعلومات: يؤدي غياب المتغيرات أو تصغير الصور حتى اختفاء الأجسام الصغيرة إلى إزالة المعلومات التي يحتاج إليها النموذج.
• تلاشي التدرجات وغيرها من إخفاقات التحسين: تتوقف الطبقات المبكرة في الشبكة العميقة عن التعلم حتى عندما تكون سعة النموذج كافية.

نقص التكيّف في الشفرة#

يلائم المثال التالي عينات مشوشة من منحنى جيبي بخط مستقيم وبكثيرة حدود تكعيبية باستخدام scikit-learn، ثم يعرض متوسط مربع الخطأ (MSE) على نقاط التدريب والاختبار:

import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import PolynomialFeatures

# Noisy samples of a curved function
rng = np.random.default_rng(0)
x = rng.uniform(-3, 3, size=(200, 1))
y = np.sin(x).ravel() + rng.normal(0, 0.1, size=200)
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=0)

# A straight line underfits; a cubic polynomial has enough capacity for the curve
for degree in (1, 3):
    model = make_pipeline(PolynomialFeatures(degree), LinearRegression()).fit(x_train, y_train)
    train_mse = mean_squared_error(y_train, model.predict(x_train))
    test_mse = mean_squared_error(y_test, model.predict(x_test))
    print(f"degree {degree}: train MSE {train_mse:.3f}, test MSE {test_mse:.3f}")

يسجل الخط المستقيم MSE للتدريب قدره 0.193 وMSE للاختبار قدره 0.188، وهما قيمتان مرتفعتان ومتقاربتان، وهذا هو النمط المميز لنقص التكيّف. أما كثيرة الحدود التكعيبية فتخفضهما إلى 0.013 و0.017، وهما قريبان من الحد الأدنى 0.010 الذي تفرضه الضوضاء المضافة إلى البيانات.

معالجة نقص التكيّف#

تستهدف الحلول السبب: نموذجًا أكبر أو أكثر تعبيرًا، وتدريبًا أطول بمعدل تعلّم مناسب، وتنظيمًا أضعف أو زيادة للبيانات، ومدخلات أغنى مثل دقة صور أعلى. يتوفر YOLO26 بأحجام n وs وm وl وx التي توسّع عمق بنية واحدة وعرضها؛ لذا يكون الانتقال من yolo26n.pt إلى حجم أكبر الخطوة الأولى المعتادة عندما تظل خسارتا التدريب والتحقق مرتفعتين في results.csv الخاص بالتشغيل. وتُعد الأجسام الصغيرة حالة شائعة في الرؤية الحاسوبية: فكاشف يرى لقطات طائرة مسيّرة بحجم إدخال منخفض يفوّت الأجسام الصغيرة التي كان حجم إدخال أكبر سيحافظ عليها.

نقص التكيّف مقابل فرط التكيّف#

نقص التكيّف وفرطه هما نمطا الإخفاق في مقايضة الانحياز والتباين. يكون انحياز النموذج ناقص التكيّف مرتفعًا، ويخطئ على نحو متشابه في بيانات التدريب والبيانات الجديدة، بينما يكون تباين النموذج مفرط التكيّف مرتفعًا، إذ يلائم بيانات التدريب بدقة، بما فيها الضوضاء، ويعمم أداءه على نحو ضعيف. ويُظهر التصور الكلاسيكي منحنى خطأ اختبار على شكل U، مع نقص التكيّف في اليسار وفرط التكيّف في اليمين. وتزيد الشبكات العصبية الكبيرة المسألة تعقيدًا بسبب الهبوط المزدوج، حيث قد ينخفض خطأ الاختبار مجددًا بعد أن يصبح النموذج كبيرًا بما يكفي لملاءمة بيانات التدريب تمامًا؛ وهو نمط لوحظ عبر أحجام النماذج ودورات التدريب.