Eksik Uyum (Underfitting)

Eksik öğrenme (Underfitting), bir modelin eğitim verilerindeki temel örüntüleri yakalayamayacak kadar basit olduğu makine öğrenmesinde (ML) yaygın bir sorundur. Bu basitlik, girdi özellikleri ile hedef değişken arasındaki ilişkiyi öğrenmesini engeller ve hem üzerinde eğitildiği verilerde hem de yeni, görülmemiş verilerde düşük performansa yol açar. Eksik öğrenmiş bir modelin yüksek yanlılığı (bias) vardır, yani veriler hakkında güçlü, genellikle yanlış varsayımlarda bulunur. Bu, yüksek düzeyde doğruluk (accuracy) elde edemeyen ve iyi genelleme yapamayan bir modelle sonuçlanır.

Eksik Uyum (Underfitting) ve Aşırı Uyum (Overfitting)

Eksik öğrenme (Underfitting) ve aşırı öğrenme (overfitting), bir modelin eğitim verilerinden yeni verilere genelleme yeteneği ile ilgili, ML'deki iki temel zorluktur. Model karmaşıklığı spektrumunda iki uç noktayı temsil ederler.

• Eksik Uyum (Underfitting): Model çok basittir ve yüksek yanlılığa sahiptir. Verilerin temel yapısını öğrenemez, bu da yüksek bir kayıp fonksiyonu değeri ve hem eğitim hem de doğrulama veri kümelerinde düşük performansla sonuçlanır.
• Aşırı Uyum: Model çok karmaşık ve yüksek varyansa sahip. Gürültü ve rastgele dalgalanmalar dahil olmak üzere eğitim verilerini çok iyi öğrenir. Bu, eğitim kümesinde mükemmel performansa, ancak model genel kalıpları öğrenmek yerine eğitim örneklerini ezberlediği için görülmeyen verilerde kötü performansa neden olur.

ML'deki nihai amaç, yeni, gerçek dünya senaryolarına etkili bir şekilde genelleme yapan bir model oluşturmak için bu ikisi arasında, yanlılık-varyans dengesi olarak bilinen bir kavramda bir denge kurmaktır. Bir modelin yetersiz öğrenme, aşırı öğrenme veya iyi öğrenme olup olmadığını teşhis etmek için öğrenme eğrilerini analiz etmek yaygın bir yöntemdir.

Eksik Öğrenmenin Nedenleri ve Çözümleri

Eksik öğrenmeyi belirlemek ve ele almak, etkili modeller oluşturmak için çok önemlidir. Sorun genellikle birkaç yaygın nedenden kaynaklanır ve her birinin karşılık gelen çözümleri vardır.

• Model Çok Basit: Karmaşık, doğrusal olmayan bir problem için doğrusal bir model kullanmak, yetersiz öğrenmenin klasik bir nedenidir.
  • Çözüm: Model karmaşıklığını artırın. Bu, daha derin bir sinir ağı veya daha küçükten daha büyüğe bir Ultralytics YOLO model varyantına geçmek gibi daha güçlü bir model mimarisine geçmeyi içerebilir. Daha uygun bir mimari seçmek için çeşitli YOLO model karşılaştırmalarını keşfedebilirsiniz.
• Yetersiz veya Düşük Kaliteli Özellikler: Modele sağlanan girdi özellikleri doğru tahminler yapmak için yeterli bilgi içermiyorsa, model yetersiz öğrenir (underfit).
  • Çözüm: Öznitelik mühendisliği yoluyla özellikleri iyileştirin. Bu, yeni özellikler oluşturmayı, polinom özellikleri kullanmayı veya temel örüntüleri daha iyi temsil etmek için farklı veri ön işleme teknikleri uygulamayı içerebilir. Öznitelik seçimi teknikleri de uygulanabilir.
• Yetersiz Eğitim: Model yeterince eğitilmemiş olabilir epoklar verilerdeki kalıpları öğrenmek için.
  • Çözüm: Eğitim süresini artırın. Daha uzun süren eğitimin aşırı öğrenmeye yol açmadığından emin olmak için doğrulama metriklerini izlemek önemlidir. Ultralytics HUB gibi araçlar, eğitim deneylerinizi izlemenize ve yönetmenize yardımcı olabilir.
• Aşırı Düzenlileştirme: Gibi teknikler L1 ve L2 düzenlileştirme veya yüksek dropout Öğrenme oranları aşırı öğrenmeyi önlemek için kullanılır, ancak çok agresiflerse modeli çok fazla kısıtlayabilir ve yetersiz öğrenmeye neden olabilirler.
  • Çözüm: Düzenlileştirme miktarını azaltın. Bu, düzenlileştirme fonksiyonlarındaki ceza terimini düşürmek veya bırakma oranını azaltmak anlamına gelebilir. Doğru dengeyi bulmak için model eğitimi için en iyi uygulamaları izlemek yardımcı olabilir.

Eksik Uyumun Gerçek Dünya Örnekleri

1. Basit Görüntü Sınıflandırıcı: ImageNet veri kümesindeki binlerce nesne kategorisini tanımlamak gibi karmaşık bir görüntü sınıflandırma görevinde yalnızca bir veya iki katmana sahip çok temel bir Evrişimsel Sinir Ağı (CNN) eğittiğinizi hayal edin. Modelin sınırlı kapasitesi, bu kadar çok sınıf arasında ayrım yapmak için gereken karmaşık özellikleri öğrenmesini engelleyerek hem eğitim hem de test verilerinde düşük doğruluğa neden olur. PyTorch ve TensorFlow gibi çerçeveler, bunun üstesinden gelmek için daha karmaşık mimariler oluşturma araçları sağlar.
2. Temel Tahmini Bakım (Basic Predictive Maintenance): Bir makinenin yalnızca çalışma sıcaklığına bağlı olarak ne zaman arızalanacağını tahmin etmek için tahmini modelleme (predictive modeling) için basit bir doğrusal regresyon modeli (linear regression model) kullanmayı düşünün. Makine arızaları aslında titreşim, yaş ve basınç gibi faktörlerin karmaşık, doğrusal olmayan etkileşiminden etkileniyorsa, basit doğrusal model yetersiz kalacaktır. Sistemin gerçek karmaşıklığını yakalayamaz, bu da zayıf tahmini performansa ve arızaları doğru bir şekilde tahmin etme yeteneğinin olmamasına yol açar. Gradyan güçlendirme makinesi (gradient boosting machine) veya bir sinir ağı gibi daha karmaşık bir model daha uygun olacaktır.