Underfitting

Underfitting, bir machine learning modelinin çok basit olması veya training data içindeki temel eğilimleri ve örüntüleri yakalayacak kapasiteden yoksun olması durumunda ortaya çıkar. Kavramsal olarak bu, belirgin bir eğri oluşturan veri noktalarına düz bir doğru uydurmaya çalışmaya benzer; model, girdiler ve çıktılar arasındaki ilişkinin karmaşıklığını kavramakta başarısız olur. Model verileri etkili bir şekilde öğrenmediği için, yalnızca eğitim setinde değil, aynı zamanda görünmeyen validation data üzerinde de zayıf performans sergiler ve bu durum düşük tahmin accuracy değerine yol açar. Bu olgu genellikle algoritmanın hedef fonksiyon hakkında aşırı basitleştirici varsayımlarda bulunduğu yüksek bias in AI durumunun bir sonucudur.

Nedenler ve Göstergeler#

Bir modelin underfit (eksik öğrenmiş) olmasına çeşitli faktörler yol açabilir. En yaygın neden, non-linear verilere linear regression uygulamak gibi, eldeki görev için yeterince karmaşık olmayan bir model mimarisi kullanmaktır. Modelin yakınsama yapması için yeterli epochs süresinin tanınmadığı yetersiz eğitim süresi de yeterli öğrenmeyi engeller. Dahası, genellikle zıt sorunu önlemek için kullanılan bir teknik olan aşırı regularization, modeli aşırı kısıtlayarak önemli özellikleri yakalamasını engelleyebilir.

Mühendisler eğitim sırasında loss functions değerlerini izleyerek underfitting durumunu tespit edebilirler. Hem eğitim hatası hem de doğrulama hatası yüksek kalmaya devam eder ve önemli ölçüde azalmazsa, model muhtemelen underfitting yaşıyordur. Modellerin verileri anlamasına yardımcı olan etkili feature engineering çalışmalarının aksine, çok az özellik sağlamak da modeli gerekli bilgilerden mahrum bırakabilir.

Underfitting ve Overfitting Karşılaştırması#

Underfitting durumunu karşılığı olan overfitting kavramından ayırmak çok önemlidir. Bu iki kavram, bias-variance tradeoff dengesinin zıt uçlarını temsil eder.

• Underfitting (High Bias): Model çok katıdır. Temel sinyali öğrenemediği için hem eğitim hem de test data üzerinde zayıf performans gösterir.
• Overfitting (High Variance): Model çok esnektir. Eğitim verilerini gürültü de dahil olmak üzere ezberler, eğitim sırasında olağanüstü iyi performans gösterir ancak yeni örneklere generalize olmakta başarısız olur.

Bu iki uç nokta arasında "ideal noktayı" bulmak model optimization sürecinin birincil hedefidir.

Gerçek Dünya Uygulamaları#

Underfitting kavramını anlamak, çeşitli endüstrilerde güvenilir AI sistemleri geliştirmek için hayati önem taşır.

• Autonomous Driving: autonomous vehicles bağlamında, underfit olmuş bir nesne tespiti modeli karmaşık kentsel ortamlarda bir yaya ile bir lamba direğini birbirinden ayırmakta başarısız olabilir. Model, ince görsel farkları öğrenecek parametrelerden yoksun olduğu için AI safety güvenliğini tehlikeye atar.
• Medical Diagnostics: Tümörler gibi anormallikleri tespit etmek için medical image analysis uygulanırken, aşırı basit bir model küçük veya düzensiz büyümeleri gözden kaçırabilir. Sinir ağı çok sığsa, yüksek sensitivity and specificity için gereken karmaşık dokuları öğrenemez ve bu da yanlış teşhislere yol açar.

Kod ile Underfitting'i ele alma#

In computer vision, underfitting genellikle görevin zorluğuna göre çok küçük bir model varyantı kullanıldığında gerçekleşir (örneğin, yüksek çözünürlüklü dron görüntülerinde küçük nesneleri tespit etmek). Aşağıdaki Python örneği, olası underfitting sorununu çözmek için ultralytics kütüphanesini kullanarak daha küçük bir modelden daha büyük, daha yetenekli bir modele nasıl geçileceğini göstermektedir.

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)

Daha büyük bir Ultralytics YOLO26 modeline geçerek ve yeterli eğitim süresi sağlayarak, sistem karmaşık örüntüleri öğrenmek için gereken parametreleri kazanır ve underfitting durumunu etkili bir şekilde hafifletir. Modelinizin artık underfitting yaşamadığını doğrulamak için onu her zaman sağlam bir test dataset ile değerlendirin. Veri kümelerini yönetmek ve underfitting'i erken fark etmek için deneyleri takip etmek amacıyla Ultralytics Platform görselleştirme ve analiz için kapsamlı araçlar sunar.