Underfitting

يحدث نقص الملاءمة عندما يكون نموذج التعلّم الآلي بسيطًا للغاية أو يفتقر إلى القدرة على التقاط الاتجاهات والأنماط الكامنة ضمن بيانات التدريب. ومن الناحية المفاهيمية، يشبه ذلك محاولة ملاءمة خط مستقيم مع نقاط بيانات تشكّل منحنى واضحًا؛ إذ يفشل النموذج في استيعاب تعقيد العلاقة بين المدخلات والمخرجات. ولأن النموذج لم يتعلّم البيانات بفاعلية، فإنه يُظهر أداءً ضعيفًا ليس على مجموعة التدريب فحسب، بل أيضًا على بيانات التحقق غير المرئية، مما يؤدي إلى انخفاض الدقة التنبؤية. وغالبًا ما تكون هذه الظاهرة نتيجة انحياز مرتفع في الذكاء الاصطناعي، حيث تضع الخوارزمية افتراضات مبسطة للغاية حول الدالة الهدف.

الأسباب والمؤشرات#

يمكن أن تؤدي عدة عوامل إلى نقص ملاءمة النموذج. والسبب الأكثر شيوعًا هو استخدام بنية نموذج غير معقدة بما يكفي للمهمة المطروحة، مثل تطبيق الانحدار الخطي على بيانات غير خطية. كما أن مدة التدريب غير الكافية، عندما لا يُمنح النموذج عددًا كافيًا من العصور للوصول إلى التقارب، تمنع التعلّم الكافي. علاوةً على ذلك، يمكن أن يؤدي الإفراط في استخدام التنظيم—وهو أسلوب يُستخدم عادةً لمنع المشكلة المعاكسة—إلى تقييد النموذج بشكل مفرط، مما يمنعه من التقاط السمات المهمة.

يمكن للمهندسين تحديد نقص الملاءمة من خلال مراقبة دوال الخسارة أثناء التدريب. فإذا ظل كل من خطأ التدريب وخطأ التحقق مرتفعًا ولم ينخفضا انخفاضًا ملحوظًا، فمن المرجح أن النموذج يعاني من نقص الملاءمة. وعلى النقيض من هندسة السمات الفعّالة، التي تساعد النماذج على فهم البيانات، فإن توفير عدد قليل جدًا من السمات قد يحرم النموذج أيضًا من المعلومات الضرورية.

نقص الملاءمة مقابل فرط الملاءمة#

من الضروري التمييز بين نقص الملاءمة ونظيره، فرط الملاءمة. ويمثل هذان المفهومان الطرفين المت opposite لمفهوم مفاضلة الانحياز والتباين.

• نقص الملاءمة (انحياز مرتفع): يكون النموذج جامدًا للغاية. ويؤدي أداءً ضعيفًا على كل من بيانات التدريب وبيانات الاختبار لأنه لم يتعلم الإشارة الأساسية.
• فرط الملاءمة (تباين مرتفع): يكون النموذج مرنًا للغاية. ويحفظ بيانات التدريب، بما في ذلك الضوضاء، ويؤدي أداءً استثنائيًا أثناء التدريب، لكنه يفشل في التعميم على الأمثلة الجديدة.

يتمثل الهدف الأساسي من تحسين النموذج في العثور على «النقطة المثلى» بين هذين الطرفين.

التطبيقات الواقعية#

يُعد فهم نقص الملاءمة أمرًا بالغ الأهمية لتطوير أنظمة ذكاء اصطناعي موثوقة عبر مختلف القطاعات.

• القيادة الذاتية: في سياق المركبات ذاتية القيادة، قد يفشل نموذج كشف الأجسام الذي يعاني من نقص الملاءمة في التمييز بين أحد المشاة وعمود إنارة في البيئات الحضرية المعقدة. ولأن النموذج يفتقر إلى المعلمات اللازمة لتعلّم الفروق البصرية الدقيقة، فإنه يعرّض سلامة الذكاء الاصطناعي للخطر.
• التشخيص الطبي: عند تطبيق تحليل الصور الطبية للكشف عن حالات شاذة مثل الأورام، قد يفوّت نموذج مفرط في بساطته نموًّا صغيرًا أو غير منتظم. وإذا كانت الشبكة العصبية ضحلة للغاية، فلن تتمكن من تعلّم القوامات المعقدة اللازمة لتحقيق حساسية ونوعية مرتفعتين، مما يؤدي إلى حالات تشخيص فائتة.

معالجة نقص الملاءمة باستخدام التعليمات البرمجية#

في الرؤية الحاسوبية، يحدث نقص الملاءمة غالبًا عند استخدام نسخة من النموذج صغيرة جدًا مقارنةً بصعوبة المهمة (مثل اكتشاف الأجسام الصغيرة في صور الطائرات المسيّرة عالية الدقة). يوضّح مثال Python التالي كيفية الانتقال من نموذج أصغر إلى نموذج أكبر وأكثر قدرة باستخدام مكتبة ultralytics لمعالجة 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)

من خلال الانتقال إلى نموذج Ultralytics YOLO26 أكبر وضمان مدة تدريب كافية، يكتسب النظام المعلمات اللازمة لتعلّم الأنماط المعقدة، مما يخفف نقص الملاءمة بفاعلية. وللتحقق من أن نموذجك لم يعد يعاني من نقص الملاءمة، قيّمه دائمًا باستخدام مجموعة بيانات اختبار قوية. ولإدارة مجموعات البيانات وتتبع التجارب لاكتشاف نقص الملاءمة مبكرًا، توفّر منصة Ultralytics أدوات شاملة للتصور والتحليل.