Eksik Uyum (Underfitting)

Yetersiz uyum şu durumlarda ortaya çıkar makine öğrenimi (ML) istatistiksel bir model veya algoritma, verilerin altında yatan yapıyı yakalamak için çok basittir. Modelin aşağıdaki durumlarda kullanıldığı bir senaryoyu tanımlar girdi değişkenleri ve hedef değişkenler arasındaki ilişkileri yeterince öğrenemez. Model başarısız olduğu için verilerdeki sinyali yakalarken, düşük performans sergiler. eğitim verileri ve yeni, görülmemiş verilere zayıf genelleme yapar veri. Yetersiz uyum sağlayan bir model tipik olarak yüksek önyargı, yani güçlü, genellikle hatalı verilerle ilgili varsayımlar, gözden kaçan modeller ve düşük doğruluk.

Yetersiz Uyumun Belirti ve Semptomları

Model değerlendirme aşamasında yetersiz uyumu tespit etmek genellikle kolaydır. Birincil gösterge zayıf bir yüksek hata oranları veya düşük kesinlik gibi performans ölçütlerinde hem eğitim setinde hem de doğrulama verileri. Eğer kayıp fonksiyonu yüksek kalır ve azalmaz zaman içinde önemli ölçüde azalıyorsa, model muhtemelen yetersiz uyum gösteriyordur. Modelin iyi performans gösterdiği aşırı uyumun aksine Eğitim verilerinde yetersiz uyum, doğrulama verilerinde ise yetersiz uyum, görevin esasen eğitim verilerinden öğrenilememesi anlamına gelir. başlayın. Öğrenme eğrilerinin analizi şunları yapabilir Bu davranışı görsel olarak doğrulayın; yetersiz uyum gösteren bir model, hızlı bir şekilde yakınsayan eğitim ve doğrulama eğrileri gösterecektir ancak yüksek bir hata oranıyla.

Yetersiz Uyum ve Aşırı Uyum

Yetersiz uyumu anlamak için, bunu karşıtıyla karşılaştırmak faydalı olacaktır, aşırı uyum. Bu iki kavram uç noktaları temsil etmektedir önyargı-varyans ödünleşiminin sağlam yapay zeka sistemleri oluşturmanın merkezinde yer alır.

• Yetersiz Uyum (Yüksek Yanlılık): Model çok basittir (örneğin, doğrusal olmayan veriler için doğrusal bir model). Bu eğitim verilerine çok az önem vermekte ve sorunu aşırı basitleştirmektedir.
• Aşırı Uyum (Yüksek Varyans): Model çok karmaşıktır. Aşağıdakiler de dahil olmak üzere eğitim verilerini ezberler Gürültü ve aykırı değerler, yeni girdilere genelleme yapamamasına neden olur.

Derin öğrenme (DL) ve diğer yapay zekanın amacı disiplinler, bu iki uç nokta arasındaki "tatlı noktayı" bulmak ve yeterince karmaşık bir model oluşturmaktır. Kalıpları öğrenmek için yeterli ama genelleme yapmak için yeterince basit.

Yaygın Nedenler ve Çözümler

Çeşitli faktörler yetersiz uyuma yol açabilir, ancak bunlar genellikle model mimarisini veya verileri ayarlayarak düzeltilebilir işleme boru hattı.

• Model Basitliği: Karmaşık, doğrusal olmayan bir veri kümesi için doğrusal bir model kullanmak sık karşılaşılan bir nedendir.
  • Çözüm: Modelin karmaşıklığını veya kapasitesini artırın. Örneğin, basit bir bir sinir ağına (NN) regresyon veya kullanım derin bir mimari gibi daha büyük bir mimari konvolüsyonel sinir ağı (CNN).
• Yetersiz Özellikler: Model, doğru tahminler yapmak için gerekli girdi verilerinden yoksun olabilir.
  • Çözüm: Gerçekleştirmek daha fazlasını yaratmak için özellik mühendisliği tanımlayıcı girdiler veya uygulama yapmak için veri ön işleme teknikleri desenleri daha erişilebilir.
• Aşırı Düzenlileştirme: Aşırı uyumu önlemek için tasarlanan teknikler de bazen uygulanabilir agresif bir şekilde.
  • Çözüm: Aşağıdakilerle ilişkili parametreleri azaltın düzenli hale getirme veya oranı düşürme modele daha fazla özgürlük sağlamak için bırakma katmanı öğrenmek için.
• Yetersiz Eğitim Süresi: Eğitim sürecinin çok erken durdurulması modelin yakınlaşıyor.
  • Çözüm: Daha fazla dönem için eğitin, optimizasyon algoritmasına kaybı en aza indirmesi için daha fazla zaman verir.

Gerçek Dünya Örnekleri

1. Gayrimenkul Fiyat Tahmini: Basit bir cihaz kullandığınızı düşünün konutları tahmin etmek için doğrusal regresyon modeli sadece metrekare bazlı fiyatlardır. Gerçek dünyadaki konut fiyatları, aşağıdaki gibi karmaşık ve doğrusal olmayan faktörlerden etkilenir konum, mahalle kalitesi ve piyasa eğilimleri gibi. Doğrusal bir model bu nüansları yakalamakta başarısız olur ve sonuç olarak yetersiz uyum ve zayıf tahminlerin yer aldığı öngörüsel modelleme sonuçları sürekli olarak hatalıdır.
2. Tıbbi Görüntüleme Teşhisi: In Sağlık hizmetlerinde yapay zeka, MRI taramalarında tümörleri tespit ediyor karmaşık şekil ve dokuların tanımlanmasını gerektirir. Geliştiriciler sığ bir ağ veya çok az sayıda ağ içeren bir model kullanıyorsa Bu nesne algılama görevi için parametreler model muhtemelen tümörü sağlıklı dokudan ayırt etmekte başarısız olacaktır. Öğrenmek için "kapasite "den yoksundur. Yüksek kalite için gerekli detaylı özellikler duyarlılık ve özgüllük.

Kod ile Yetersiz Uyumun Ele Alınması

Bilgisayarla görme bağlamında, yetersiz uyum genellikle model için çok küçük bir model varyantı kullanıldığında ortaya çıkar. Görevin zorluğu (örneğin, yüksek çözünürlüklü drone görüntülerinde küçük nesneleri tespit etmek). Aşağıdakiler Python örnek, daha küçük bir modelden daha büyük bir modele nasıl geçileceğini göstermektedir kullanarak yetenekli model ultralytics potansiyel yetersiz uyumu çözmek için kütüphane.

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)

Daha büyük bir binaya taşınarak Ultralytics YOLO11 modeli ve sağlanması Yeterli eğitim süresi sonunda, sistem karmaşık kalıpları öğrenmek için gerekli parametreleri kazanarak etkili bir şekilde yetersiz uyumun azaltılması. Son derece karmaşık görevler için, YOLO26 gibi gelecekteki mimariler (şu anda geliştirme) daha da fazla yoğunluk ve doğruluk sağlamayı amaçlamaktadır. Modelinizin artık yetersiz uyum sağlamadığını doğrulamak için her zaman sağlam bir test veri kümesine karşı değerlendirin.