Underfitting

L'underfitting si verifica quando un modello di machine learning è troppo semplice o non ha la capacità di catturare le tendenze e i pattern sottostanti nei dati di addestramento. Concettualmente, è analogo a cercare di adattare una linea retta a punti dati che formano una curva distinta; il modello non riesce a cogliere la complessità della relazione tra input e output. Poiché il modello non ha appreso i dati in modo efficace, mostra prestazioni scarse non solo sul set di addestramento ma anche su dati di validazione non visti, portando a una bassa accuratezza predittiva. Questo fenomeno è spesso il risultato di un elevato bias in AI, in cui l'algoritmo formula ipotesi eccessivamente semplicistiche sulla funzione target.

Link to this sectionCause e indicatori#

Diversi fattori possono portare a un modello in underfitting. La causa più comune è l'utilizzo di un'architettura di modello non abbastanza complessa per il compito da svolgere, come l'applicazione della regressione lineare a dati non lineari. Anche una durata di addestramento insufficiente, in cui al modello non vengono concesse abbastanza epoche per convergere, impedisce un apprendimento adeguato. Inoltre, una regolarizzazione eccessiva — una tecnica solitamente utilizzata per prevenire il problema opposto — può limitare eccessivamente il modello, impedendogli di catturare caratteristiche importanti.

Gli ingegneri possono identificare l'underfitting monitorando le funzioni di perdita durante l'addestramento. Se sia l'errore di addestramento che quello di validazione rimangono elevati e non diminuiscono in modo significativo, è probabile che il modello sia in underfitting. A differenza dell'efficace feature engineering, che aiuta i modelli a comprendere i dati, fornire troppe poche feature può privare il modello di informazioni necessarie.

Link to this sectionUnderfitting vs. Overfitting#

È fondamentale distinguere l'underfitting dalla sua controparte, l'overfitting. Questi due concetti rappresentano gli estremi opposti del bias-variance tradeoff.

• Underfitting (High Bias): Il modello è troppo rigido. Ha prestazioni scarse sia sui dati di addestramento che sui dati di test perché non ha appreso il segnale di base.
• Overfitting (High Variance): Il modello è troppo flessibile. Memorizza i dati di addestramento, incluso il rumore, performando in modo eccezionale durante l'addestramento ma fallendo nel generalizzare verso nuovi esempi.

Trovare il "punto di equilibrio" tra questi due estremi è l'obiettivo primario dell'ottimizzazione del modello.

Link to this sectionApplicazioni nel mondo reale#

Comprendere l'underfitting è vitale per sviluppare sistemi AI affidabili in vari settori.

• Guida autonoma: Nel contesto dei veicoli autonomi, un modello di rilevamento oggetti in underfitting potrebbe non riuscire a distinguere tra un pedone e un lampione in complessi ambienti urbani. Poiché al modello mancano i parametri per apprendere le sottili differenze visive, ciò mette a rischio la sicurezza dell'IA.
• Diagnostica medica: Quando si applica l'analisi di immagini mediche per rilevare anomalie come tumori, un modello eccessivamente semplice potrebbe non individuare crescite piccole o irregolari. Se la rete neurale è troppo superficiale, non può apprendere le texture complesse necessarie per un'elevata sensibilità e specificità, portando a diagnosi mancate.

Link to this sectionAffrontare l'underfitting con il codice#

Nella computer vision, l'underfitting si verifica spesso quando si utilizza una variante di modello troppo piccola per la difficoltà del compito (ad es. rilevare piccoli oggetti in immagini di droni ad alta risoluzione). Il seguente esempio Python dimostra come passare da un modello più piccolo a uno più grande e capace utilizzando la libreria ultralytics per risolvere il potenziale underfitting.

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)

Passando a un modello Ultralytics YOLO26 più grande e assicurando una durata di addestramento adeguata, il sistema ottiene i parametri necessari per apprendere pattern complessi, mitigando efficacemente l'underfitting. Per verificare che il tuo modello non sia più in underfitting, valutalo sempre rispetto a un solido dataset di test. Per la gestione dei dataset e il monitoraggio degli esperimenti al fine di individuare precocemente l'underfitting, la Piattaforma Ultralytics offre strumenti completi per la visualizzazione e l'analisi.