التحيز الناقص (Underfitting)

النقص في التوفيق هو مشكلة شائعة في تعلم الآلة (ML) حيث يكون النموذج بسيطًا جدًا بحيث لا يمكنه التقاط الأنماط الأساسية في بيانات التدريب. تمنع هذه البساطة النموذج من تعلم العلاقة بين ميزات الإدخال والمتغير المستهدف، مما يؤدي إلى ضعف الأداء على كل من البيانات التي تم تدريبه عليها والبيانات الجديدة غير المرئية. النموذج الذي يعاني من نقص التوفيق لديه تحيز عالٍ، مما يعني أنه يقدم افتراضات قوية وغير صحيحة غالبًا حول البيانات. ينتج عن هذا نموذج يفشل في تحقيق مستوى عالٍ من الدقة ولا يمكنه التعميم بشكل جيد.

النقص في التوفيق مقابل الإفراط في التوفيق

النقص في التوفيق و الإفراط في التوفيق هما تحديان رئيسيان في تعلم الآلة (ML) يتعلقان بقدرة النموذج على التعميم من بيانات التدريب إلى بيانات جديدة. إنهما يمثلان طرفين متقابلين على طيف تعقيد النموذج.

• نقص الملاءمة: النموذج بسيط جدًا ولديه تحيز عالٍ. يفشل في تعلم البنية الأساسية للبيانات، مما يؤدي إلى قيمة دالة الخسارة عالية وضعف الأداء في كل من التدريب و مجموعات بيانات التحقق.
• المبالغة في التوفيق: النموذج معقد للغاية ولديه تباين عالٍ. إنه يتعلم بيانات التدريب بشكل جيد للغاية، بما في ذلك الضوضاء والتقلبات العشوائية. ينتج عن هذا أداء ممتاز على مجموعة التدريب ولكن أداء ضعيف على البيانات غير المرئية، حيث أن النموذج قد حفظ بشكل أساسي أمثلة التدريب بدلاً من تعلم الأنماط العامة.

الهدف النهائي في التعلم الآلي هو تحقيق التوازن بين هذين الأمرين، وهو مفهوم يعرف باسم المفاضلة بين التحيز والتباين، لإنشاء نموذج يعمم بشكل فعال على السيناريوهات الجديدة في العالم الحقيقي. يعد تحليل منحنيات التعلم طريقة شائعة لتشخيص ما إذا كان النموذج يعاني من نقص في التوافق أو زيادة في التوافق أو مناسبًا جيدًا.

أسباب وحلول النقص في التجهيز

يُعد تحديد ومعالجة النقص في التوافق أمرًا بالغ الأهمية لبناء نماذج فعالة. تنشأ المشكلة عادةً من بعض الأسباب الشائعة، ولكل منها حلول مقابلة.

• النموذج بسيط للغاية: استخدام نموذج خطي لمشكلة معقدة وغير خطية هو سبب كلاسيكي لنقص الملاءمة.
  • الحل: زيادة تعقيد النموذج. قد يتضمن ذلك التبديل إلى بنية نموذج أقوى، مثل شبكة عصبية أعمق أو نموذج مُدرَّب مسبقًا أكبر مثل الانتقال من متغير نموذج Ultralytics YOLO أصغر إلى أكبر. يمكنك استكشاف مقارنات نماذج YOLO المختلفة لتحديد بنية أكثر ملاءمة.
• ميزات غير كافية أو ذات جودة رديئة: إذا كانت خصائص الإدخال المقدمة للنموذج لا تحتوي على معلومات كافية لتقديم تنبؤات دقيقة، فسيكون النموذج غير ملائم.
  • الحل: تحسين الميزات من خلال هندسة الميزات. قد يتضمن ذلك إنشاء ميزات جديدة، أو استخدام ميزات متعددة الحدود، أو تطبيق تقنيات المعالجة المسبقة للبيانات المختلفة لتمثيل الأنماط الأساسية بشكل أفضل. يمكن أيضًا تطبيق تقنيات تحديد الميزات.
• تدريب غير كاف: قد لا يكون النموذج قد تم تدريبه لفترة كافية حقبات (epochs) لتعلّم الأنماط في البيانات.
  • الحل: زيادة مدة التدريب. من المهم مراقبة مقاييس التحقق للتأكد من أن التدريب الأطول لا يؤدي إلى الإفراط في التخصيص. يمكن أن تساعدك أدوات مثل Ultralytics HUB في تتبع وإدارة تجارب التدريب الخاصة بك.
• التنظيم المفرط: تقنيات مثل تنظيم L1 و L2 أو عالية التسرب (dropout) تُستخدم المعدلات لمنع التجاوز، ولكن إذا كانت مفرطة، فإنها يمكن أن تقيد النموذج بشكل كبير وتتسبب في النقص.
  • الحل: تقليل مقدار التنظيم. قد يعني هذا خفض مصطلح الجزاء في وظائف التنظيم أو تقليل معدل التسرب. يمكن أن يساعد اتباع أفضل الممارسات لتدريب النموذج في إيجاد التوازن الصحيح.

أمثلة واقعية لنقص المواءمة

1. مصنف صور بسيط: تخيل تدريب شبكة عصبية التفافية (CNN) أساسية جدًا مع طبقة أو طبقتين فقط على مهمة تصنيف الصور معقدة، مثل تحديد آلاف فئات الكائنات في مجموعة بيانات ImageNet. ستمنع القدرة المحدودة للنموذج من تعلم الميزات المعقدة اللازمة للتمييز بين العديد من الفئات، مما يؤدي إلى دقة منخفضة في بيانات التدريب والاختبار. توفر أطر العمل مثل PyTorch و TensorFlow الأدوات اللازمة لبناء هياكل أكثر تطوراً للتغلب على ذلك.
2. الصيانة التنبؤية الأساسية: ضع في اعتبارك استخدام نموذج انحدار خطي بسيط لـ النمذجة التنبؤية لتقدير متى سيفشل الجهاز بناءً على درجة حرارة تشغيله فقط. إذا تأثرت حالات فشل الجهاز بالفعل بتفاعل معقد وغير خطي للعوامل مثل الاهتزاز والعمر والضغط، فسوف يكون النموذج الخطي البسيط غير مناسب. لا يمكنه التقاط التعقيد الحقيقي للنظام، مما يؤدي إلى ضعف الأداء التنبؤي وعدم القدرة على توقع حالات الفشل بدقة. سيكون النموذج الأكثر تعقيدًا، مثل آلة تعزيز التدرج أو شبكة عصبية، أكثر ملاءمة.