Underfitting

يحدث التحت-ملائمة (Underfitting) عندما يكون نموذج machine learning بسيطاً للغاية أو يفتقر إلى القدرة على التقاط الاتجاهات والأنماط الأساسية داخل training data. من الناحية المفاهيمية، يشبه ذلك محاولة مطابقة خط مستقيم مع نقاط بيانات تشكل منحنى واضحاً؛ يفشل النموذج في استيعاب تعقيد العلاقة بين المدخلات والمخرجات. نظراً لأن النموذج لم يتعلم البيانات بفعالية، فإنه يُظهر أداءً ضعيفاً ليس فقط على مجموعة التدريب ولكن أيضاً على validation data غير المرئية، مما يؤدي إلى انخفاض accuracy التنبؤية. غالباً ما تكون هذه الظاهرة نتيجة لارتفاع bias in AI، حيث يقوم الخوارزم بإصدار افتراضات مبسطة مبالغ فيها حول دالة الهدف.

الأسباب والمؤشرات#

يمكن لعدة عوامل أن تؤدي إلى نموذج ضعيف الملائمة. السبب الأكثر شيوعاً هو استخدام هيكل نموذج ليس بالتعقيد الكافي للمهمة المطروحة، مثل تطبيق linear regression على بيانات غير خطية. كما أن مدة التدريب غير الكافية، حيث لا يُمنح النموذج epochs كافية للتقارب، تمنع التعلم الملائم أيضاً. علاوة على ذلك، فإن regularization المفرط - وهي تقنية تُستخدم عادةً لمنع المشكلة المعاكسة - يمكن أن تقيد النموذج بشكل مبالغ فيه، مما يمنعه من التقاط الميزات المهمة.

يمكن للمهندسين تحديد التحت-ملائمة من خلال مراقبة loss functions أثناء التدريب. إذا ظل كل من خطأ التدريب وخطأ التحقق مرتفعين ولم ينخفضا بشكل كبير، فمن المحتمل أن يكون النموذج قيد التحت-ملائمة. على عكس feature engineering الفعال، والذي يساعد النماذج على فهم البيانات، فإن توفير عدد قليل جداً من الميزات يمكن أن يحرم النموذج أيضاً من المعلومات اللازمة.

نقص الملاءمة مقابل الإفراط في التخصيص (Overfitting)#

من الأهمية بمكان التمييز بين التحت-ملائمة ونظيرتها، overfitting. يمثل هذان المفهومان النقيضين لـ bias-variance tradeoff.

• التحت-ملائمة (تحيز عالٍ): النموذج صارم للغاية. أداؤه ضعيف في كل من بيانات التدريب وtest data لأنه لم يتعلم الإشارة الأساسية.
• الفرط-ملائمة (تباين عالٍ): النموذج مرن للغاية. فهو يحفظ بيانات التدريب، بما في ذلك الضوضاء، ويكون أداؤه استثنائياً أثناء التدريب لكنه يفشل في generalize على أمثلة جديدة.

إن العثور على "النقطة المثالية" بين هذين النقيضين هو الهدف الأساسي لـ model optimization.

تطبيقات العالم الحقيقي#

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

• القيادة الذاتية: في سياق autonomous vehicles، قد يفشل نموذج اكتشاف الكائنات قليل الملائمة في التمييز بين أحد المشاة وعمود إنارة في البيئات الحضرية المعقدة. نظراً لافتقار النموذج إلى المعلمات اللازمة لتعلم الاختلافات البصرية الدقيقة، فإن ذلك يعرض AI safety للخطر.
• التشخيص الطبي: عند تطبيق medical image analysis لاكتشاف الشذوذات مثل الأورام، قد يفوت النموذج البسيط للغاية النموات الصغيرة أو غير المنتظمة. وإذا كانت الشبكة العصبية ضحلة للغاية، فلن تتمكن من تعلم الأنسجة المعقدة المطلوبة لتحقيق sensitivity and specificity عالية، مما يؤدي إلى تشخيصات فائتة.

معالجة نقص الملاءمة باستخدام الكود#

في مجال computer vision، غالباً ما تحدث التحت-ملائمة عند استخدام متغير نموذج صغير جداً لا يتناسب مع صعوبة المهمة (مثل اكتشاف الكائنات الصغيرة في صور طائرات بدون درونز عالية الدقة). يوضح مثال Python التالي كيفية الانتقال من نموذج أصغر إلى نموذج أكبر وأكثر كفاءة باستخدام مكتبة ultralytics لحل مشكلة التحت-ملائمة 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)

بالانتقال إلى نموذج أكبر من نوع Ultralytics YOLO26 وضمان مدة تدريب كافية، يكتسب النظام المعلمات اللازمة لتعلم الأنماط المعقدة، مما يخفف بفعالية من حدة التحت-ملائمة. وللتحقق من أن نموذجك لم يعد يعاني من التحت-ملائمة، احرص دائماً على تقييمه مقابل test dataset قوي. لإدارة مجموعات البيانات وتتبع التجارب لاكتشاف التحت-ملائمة مبكراً، توفر Ultralytics Platform أدوات شاملة للتصور والتحليل.