تعرف على كيفية تحديد ومنع ومعالجة مشكلة النقص في التوافق (Underfitting) في نماذج تعلم الآلة مع نصائح واستراتيجيات أمهر الخبراء وأمثلة واقعية.
يحدث التقصير في التعلم الآلي (ML) عندما يكون النموذج الإحصائي أو خوارزمية بسيطة للغاية لالتقاط البنية الأساسية للبيانات. إنه يصف سيناريو حيث لا يستطيع النموذج العلاقات بين متغيرات المدخلات والمتغيرات المستهدفة بشكل كافٍ. لأن النموذج يفشل في في التقاط الإشارة في البيانات، فإنه يُظهر أداءً ضعيفًا على بيانات التدريب بيانات التدريب ويعمم بشكل سيء على البيانات الجديدة غير المرئية جديدة غير مرئية. عادةً ما يعاني النموذج غير الملائم من انحياز عالٍ، مما يعني أنه يضع افتراضات قوية وخاطئة في كثير من الأحيان افتراضات قوية حول البيانات، مما يؤدي إلى أنماط مفقودة ودقة منخفضة دقة منخفضة.
عادةً ما يكون اكتشاف عدم الملاءمة الناقصة واضحًا ومباشرًا أثناء مرحلة تقييم النموذج. المؤشر الأساسي هو النتيجة الضعيفة على مقاييس الأداء، مثل معدلات الخطأ المرتفعة أو الدقة المنخفضة، عبر كلٍ من مجموعة التدريب و وبيانات التحقق من الصحة. إذا بقيت دالة الخسارة عالية ولا تنخفض بشكل ملحوظ بمرور الوقت، فمن المحتمل أن يكون النموذج غير ملائم. على عكس الإفراط في الملاءمة، حيث يؤدي النموذج أداءً جيدًا على بيانات التدريب ولكن بشكل سيء على بيانات التحقق، يمثل نقص الملاءمة فشلًا في تعلم المهمة بشكل أساسي من منذ البداية. يمكن لتحليل منحنيات التعلّم بصريًا تأكيد هذا السلوك؛ سيُظهر نموذج غير ملائم منحنيات التدريب والتحقق من الصحة التي تتقارب بسرعة ولكن ولكن بمعدل خطأ مرتفع.
لفهم التكييف الناقص، من المفيد أن نقارنه بنظيره المعاكس له, الإفراط في الملاءمة. يمثل هذان المفهومان النقيضين للمفاضلة بين التحيز والتباين، والتي هي أساسي لبناء أنظمة ذكاء اصطناعي قوية.
الهدف من التعلّم العميق (DL) وغيره من تخصصات الذكاء الاصطناعي هو العثور على "البقعة الحلوة" بين هذين النقيضين، وإنشاء نموذج معقد بما فيه الكفاية لتعلم الأنماط ولكنه بسيط بما يكفي لتعميمه.
يمكن أن تؤدي عدة عوامل إلى عدم ملاءمة النموذج، ولكن يمكن إصلاحها غالبًا عن طريق تعديل بنية النموذج أو خط معالجة البيانات أو خط معالجة البيانات.
في سياق الرؤية الحاسوبية، غالبًا ما يحدث نقص في الملاءمة عند استخدام متغير نموذج صغير جدًا بالنسبة
صعوبة المهمة (على سبيل المثال، اكتشاف الأجسام الصغيرة في صور الطائرات بدون طيار عالية الدقة). ما يلي
Python يوضح المثال كيفية التبديل من نموذج أصغر إلى نموذج أكبر وأكثر
قدرة أكبر باستخدام ultralytics مكتبة لحل مشكلة عدم الملاءمة المحتملة.
from ultralytics import YOLO
# If 'yolo11n.pt' (Nano) is underfitting and yielding low accuracy,
# upgrade to a model with higher capacity like 'yolo11l.pt' (Large).
model = YOLO("yolo11l.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 Ultralytics YOLO11 أكبر وضمان مدة تدريب كافية، يكتسب النظام المعلمات اللازمة لتعلم الأنماط المعقدة، مما يخفف بشكل فعال من التخفيف من عدم ملاءمة الأنماط المعقدة. بالنسبة للمهام المعقدة للغاية، تهدف البنى المستقبلية مثل YOLO26 (قيد التطوير حاليًا) إلى توفير كثافة ودقة أكبر. قيد التطوير) تهدف إلى توفير كثافة ودقة أكبر. للتحقق من أن نموذجك لم يعد غير مناسب، قم دائمًا قم دائمًا بتقييمه مقابل مجموعة بيانات اختبارية قوية.
