Underfitting

Eksik öğrenme, bir makine öğrenmesi (ML) modelinin eğitim verisindeki örüntüleri yakalayamaması ve bu nedenle hem öğrendiği örneklerde hem de yeni örneklerde büyük hatalar yapmasıdır. Eğriyi izleyen noktalara düz bir çizgi uydurmak, yalın doğrusal regresyonda olduğu gibi, bunun klasik bir örneğidir: Eğim ya da kesişim için hiçbir seçim eğriliği izleyemez. Eksik öğrenen modelin yanlılığı yüksektir; yani varsayımları, girdiler ile çıktılar arasındaki gerçek ilişkiyi temsil edemeyecek kadar kısıtlayıcıdır. Modelin doğruluğu hem eğitim kümesinde hem de test verisinde düşüktür.

Eksik Öğrenme Belirtileri#

En belirgin gösterge, yüksek kalan bir eğitim kaybıdır. Kayıp fonksiyonu kabul edilebilir bir düzeyin oldukça üzerinde yatay seyrettiğinde ve doğrulama verilerinin kaybı eğitim kaybına yakın kaldığında, model yeterince öğrenmiyordur ve iki kayıp arasındaki küçük fark, ezberlemenin sorun olmadığını gösterir. Öğrenme eğrileri, hatayı eğitim kümesinin boyutuna göre çizerek ikinci bir işaret sunar: her iki eğri de yüksek hata düzeyinde yataylaşır; bu nedenle aynı türden daha fazla veri eklemek pek fayda sağlamaz. Nesne algılamada bir modelin eğitildiği görüntülerin ta kendisinde düşük bir ortalama kesinlik (mAP) puanı alması, modelin yetersiz uyum gösterdiğini ortaya koyar; bu, Ultralytics model test kılavuzundaki kontrollerden biridir. Her iki kaybı karşılaştırmak, yetersiz uyumu aşırı uyumdan ayırır:

Yaygın Nedenler#

• Yetersiz kapasite: Model ailesi örüntüyü temsil edemez; örneğin eğri veride doğrusal bir model kullanmak ya da karmaşık bir görsel görevde çok küçük bir ağ kullanmak.
• Çok az epoch: Eğitimi erken durdurmak veya eldeki sürede ilerleme sağlayamayacak kadar küçük bir öğrenme oranı kullanmak, eniyileyiciyi yakınsamadan önce durdurur.
• Aşırı düzenlileştirme: Yüksek ağırlık çürümesi, yüksek dropout oranları veya çok agresif artırma, modeli sinyali öğrenemeyecek kadar kısıtlar.
• Bilgi taşımayan özellikler: Eksik değişkenler veya küçük nesnelerin kaybolacağı kadar küçültülmüş görüntüler, modelin ihtiyaç duyduğu bilgiyi ortadan kaldırır.
• Kaybolan gradyanlar ve diğer eniyileme sorunları: Model yeterli kapasiteye sahip olsa bile derin bir ağın ilk katmanları öğrenmeyi durdurur.

Kodda Eksik Öğrenme#

Aşağıdaki örnek, scikit-learn kullanarak sinüs eğrisinin gürültülü örneklerine düz bir çizgi ve üçüncü dereceden bir polinom uydurur; ardından eğitim ve test noktalarındaki ortalama kare hatayı (MSE) raporlar:

import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import PolynomialFeatures

# Noisy samples of a curved function
rng = np.random.default_rng(0)
x = rng.uniform(-3, 3, size=(200, 1))
y = np.sin(x).ravel() + rng.normal(0, 0.1, size=200)
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=0)

# A straight line underfits; a cubic polynomial has enough capacity for the curve
for degree in (1, 3):
    model = make_pipeline(PolynomialFeatures(degree), LinearRegression()).fit(x_train, y_train)
    train_mse = mean_squared_error(y_train, model.predict(x_train))
    test_mse = mean_squared_error(y_test, model.predict(x_test))
    print(f"degree {degree}: train MSE {train_mse:.3f}, test MSE {test_mse:.3f}")

Düz çizginin eğitim MSE'si 0.193, test MSE'si ise 0.188'dir. Bu değerler yüksek ve birbirine yakındır; eksik öğrenmenin ayırt edici işareti budur. Kübik polinom her iki değeri de 0.013 ve 0.017'ye düşürür; bu değerler veriye eklenen gürültünün belirlediği 0.010 tabanına yakındır.

Eksik Öğrenmeyi Giderme#

Düzeltmeler sorunun kaynağını hedefler: daha büyük veya daha ifade gücü yüksek bir model, uygun bir öğrenme oranıyla daha uzun eğitim, daha az düzenlileştirme veya veri artırma ve daha yüksek görüntü çözünürlüğü gibi daha zengin girdiler. YOLO26, tek bir mimarinin derinliğini ve genişliğini ölçekleyen n, s, m, l ve x boyutlarında gelir. Bu nedenle çalıştırmanın results.csv bölümünde hem eğitim hem doğrulama kayıpları yüksek kalıyorsa yolo26n.pt değerinden daha büyük bir boyuta geçmek genellikle ilk adımdır. Küçük nesneler, bilgisayarlı görüde sık karşılaşılan bir durumdur: Düşük giriş boyutunda drone görüntülerine bakan bir algılayıcı, daha büyük giriş boyutunun koruyabileceği küçük nesneleri kaçırır.

Yetersiz Öğrenme ve Aşırı Öğrenme#

Eksik öğrenme ve aşırı öğrenme, yanlılık-varyans ödünleşiminin iki başarısızlık biçimidir. Eksik öğrenen modelin yanlılığı yüksektir ve eğitim verisiyle yeni veride benzer hatalar yapar. Aşırı öğrenen modelin varyansı yüksektir; gürültü dâhil eğitim verisine sıkı biçimde uyum sağlar, ancak genellemesi zayıftır. Klasik gösterimde test hatası U biçimli bir eğri oluşturur; sol tarafta eksik öğrenme, sağ tarafta aşırı öğrenme bulunur. Büyük sinir ağları, çifte iniş olgusuyla bu tabloyu karmaşıklaştırır: Model eğitim verisine tam olarak uyacak kadar büyüdüğünde test hatası yeniden düşebilir. Bu örüntü, model boyutu ve eğitim epoch'ları boyunca gözlemlenmiştir.