Underfitting

Underfitting, bir machine learning modelinin çok basit olması veya training data içindeki temel eğilimleri ve kalıpları yakalama kapasitesinden yoksun olması durumunda ortaya çıkar. Kavramsal olarak, belirgin bir eğri oluşturan veri noktalarından düz bir çizgi geçirmeye çalışmaya benzer; model, girdiler ve çıktılar arasındaki ilişkinin karmaşıklığını kavrayamaz. Model veriyi etkili bir şekilde öğrenemediği için, sadece eğitim setinde değil, aynı zamanda görülmemiş validation data üzerinde de düşük performans sergiler ve bu da düşük tahmin accuracy değerine yol açar. Bu olgu genellikle, algoritmanın hedef fonksiyon hakkında aşırı basitleştirilmiş varsayımlarda bulunduğu yüksek bias in AI durumunun bir sonucudur.

Link to this sectionNedenler ve Göstergeler#

Bir modelin underfitting yaşamasına çeşitli faktörler yol açabilir. En yaygın neden, linear regression yöntemini doğrusal olmayan verilere uygulamak gibi, eldeki görev için yeterince karmaşık olmayan bir model mimarisi kullanmaktır. Modelin yakınsaması için yeterli epochs süresinin verilmediği yetersiz eğitim süresi de yeterli öğrenmeyi engeller. Ayrıca, genellikle tam tersi sorunu önlemek için kullanılan bir teknik olan aşırı regularization, modeli aşırı kısıtlayarak önemli özellikleri yakalamasını durdurabilir.

Mühendisler, eğitim sırasında loss functions değerlerini izleyerek underfitting durumunu tespit edebilirler. Hem eğitim hatası hem de doğrulama hatası yüksek kalıyorsa ve önemli ölçüde azalmıyorsa, model büyük olasılıkla underfitting yaşamaktadır. Modellerin veriyi anlamasına yardımcı olan etkili feature engineering süreçlerinin aksine, çok az özellik sağlamak da modeli gerekli bilgilerden mahrum bırakabilir.

Link to this sectionUnderfitting ve Overfitting Karşılaştırması#

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

• Underfitting (Yüksek Bias): Model çok katıdır. Temel sinyali öğrenemediği için hem eğitim hem de test data üzerinde düşük performans gösterir.
• Overfitting (Yüksek Varyans): Model çok esnektir. Gürültü dahil olmak üzere eğitim verilerini ezberler, bu da eğitim sırasında olağanüstü iyi performans göstermesine ancak yeni örneklere generalize olamamasına yol açar.

Bu iki uç nokta arasındaki "ideal dengeyi" bulmak, model optimization sürecinin birincil hedefidir.

Link to this sectionGerçek Dünya Uygulamaları#

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

• Otonom Sürüş: autonomous vehicles bağlamında, underfitting yaşayan bir nesne algılama modeli, karmaşık kentsel ortamlarda bir yaya ile bir lamba direğini ayırt etmekte başarısız olabilir. Model, ince görsel farklılıkları öğrenmek için gereken parametrelere sahip olmadığından, bu durum AI safety güvenliğini tehlikeye atar.
• Tıbbi Teşhis: Tümörler gibi anomalileri tespit etmek için medical image analysis uygulandığında, aşırı basit bir model küçük veya düzensiz büyümeleri gözden kaçırabilir. Eğer sinir ağı çok yüzeysel ise, yüksek sensitivity and specificity için gereken karmaşık dokuları öğrenemez ve bu da kaçırılan teşhislere yol açar.

Link to this sectionKod ile Underfitting'i ele alma#

computer vision alanında underfitting, genellikle görevin zorluğu için çok küçük bir model varyantı kullanıldığında (örneğin, yüksek çözünürlüklü drone görüntülerinde küçük nesneleri tespit etmek) gerçekleşir. Aşağıdaki Python örneği, potansiyel underfitting sorununu çözmek için ultralytics kütüphanesini kullanarak nasıl daha küçük bir modelden daha büyük ve daha yetenekli bir modele geçiş yapabileceğini 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 kalıpları öğrenmek için gereken parametrelere kavuşur ve underfitting etkili bir şekilde azaltılır. Modelinin artık underfitting yaşamadığını doğrulamak için, her zaman sağlam bir test dataset ile değerlendirme yap. Veri setlerini yönetmek ve underfitting durumunu erkenden tespit etmek için deneyleri takip etmek adına Ultralytics Platform, görselleştirme ve analiz için kapsamlı araçlar sunar.