Underfitting

アンダーフィッティングは、機械学習モデルが単純すぎる、またはトレーニングデータ内にある基礎的な傾向やパターンを捉える能力が不足している場合に発生します。概念的には、明確な曲線を形成するデータポイントに直線を当てはめようとすることに相当し、モデルが入力と出力の関係の複雑さを把握できていない状態です。モデルがデータを効果的に学習できていないため、トレーニングセットだけでなく、未知の検証データに対してもパフォーマンスが低くなり、予測精度が低下します。この現象は、多くの場合、AIにおけるバイアスが大きいことに起因します。これは、アルゴリズムが対象関数について過度に単純化した仮定を置くためです。

原因と指標#

いくつかの要因によって、アンダーフィッティングしたモデルが生じる可能性があります。最も一般的な原因は、対象のタスクに対して十分に複雑ではないモデルアーキテクチャを使用することです。たとえば、非線形データに線形回帰を適用する場合が該当します。モデルが収束するのに十分なエポックを与えないなど、トレーニング期間が不十分な場合も、十分な学習を妨げます。さらに、過剰な正則化は、通常は反対の問題を防ぐために使用される手法ですが、モデルを過度に制約し、重要な特徴を捉えられなくする可能性があります。

エンジニアは、トレーニング中に損失関数を監視することで、アンダーフィッティングを特定できます。トレーニング誤差と検証誤差の両方が高いままで、大幅に低下しない場合、モデルはアンダーフィッティングしている可能性があります。モデルがデータを理解するのに役立つ効果的な特徴量エンジニアリングとは対照的に、特徴量が少なすぎる場合も、モデルに必要な情報が不足する原因となります。

アンダーフィッティングとオーバーフィッティング#

アンダーフィッティングと、その対となるオーバーフィッティングを区別することは非常に重要です。この2つの概念は、バイアス・バリアンストレードオフの両極端を表しています。

• アンダーフィッティング（高バイアス）： モデルが硬直しすぎています。基本的なシグナルを学習できていないため、トレーニングデータとテストデータの両方に対してパフォーマンスが低くなります。
• オーバーフィッティング（高バリアンス）： モデルの柔軟性が高すぎます。ノイズを含むトレーニングデータを記憶するため、トレーニング中は非常に高いパフォーマンスを示しますが、新しい例に対して汎化できません。

この2つの極端な状態の間にある「スイートスポット」を見つけることが、モデル最適化の主な目的です。

実世界での利用例#

アンダーフィッティングを理解することは、さまざまな業界で信頼性の高いAIシステムを開発するうえで不可欠です。

• 自動運転： 自動運転車の文脈では、アンダーフィッティングした物体検出モデルは、複雑な都市環境において歩行者と街灯を区別できない可能性があります。モデルには微妙な視覚的差異を学習するためのパラメータが不足しているため、AIの安全性が脅かされます。
• 医療診断： 腫瘍などの異常を検出するために医用画像解析を適用する場合、単純すぎるモデルでは小さな腫瘍や不規則な増殖を見逃す可能性があります。ニューラルネットワークが浅すぎると、高い感度と特異度に必要な複雑なテクスチャを学習できず、診断の見逃しにつながります。

コードによるアンダーフィッティングへの対処#

コンピュータビジョンでは、タスクの難易度に対して小さすぎるモデルバリアントを使用すると、アンダーフィッティングが発生することがあります（高解像度のドローン画像で小さな物体を検出する場合など）。次のPythonの例では、ultralyticsライブラリを使用して、より小さなモデルから、より大きく高性能なモデルに切り替え、アンダーフィッティングの可能性を解消する方法を示します。

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)

より大きなUltralytics YOLO26モデルに移行し、十分なトレーニング期間を確保することで、システムは複雑なパターンを学習するために必要なパラメータを獲得し、アンダーフィッティングを効果的に軽減できます。モデルがアンダーフィッティングしていないことを確認するには、必ず堅牢なテストデータセットに対して評価してください。アンダーフィッティングを早期に発見するためのデータセット管理や実験の追跡には、Ultralytics Platformが可視化と分析のための包括的なツールを提供します。