Yetersiz Uyum

Yetersiz uyum, bir modelin eğitim verilerindeki altta yatan kalıpları yakalamak için çok basit olduğu makine öğreniminde (ML) yaygın bir sorundur. Bu basitlik, girdi özellikleri ile hedef değişken arasındaki ilişkiyi öğrenmesini engeller ve hem eğitildiği verilerde hem de yeni, görülmemiş verilerde düşük performansa yol açar. Yetersiz uyum gösteren bir model yüksek önyargıya sahiptir, yani veriler hakkında güçlü, genellikle yanlış varsayımlarda bulunur. Bu da yüksek düzeyde doğruluk elde edemeyen ve iyi genelleme yapamayan bir modelle sonuçlanır.

Yetersiz Uyum vs. Aşırı Uyum

Yetersiz uyum ve aşırı uyum, makine öğreniminde bir modelin eğitim verilerinden yeni verilere genelleme yapma becerisiyle ilgili iki temel zorluktur. Model karmaşıklığı spektrumunda iki uç noktayı temsil ederler.

• Yetersiz uyum: Model çok basittir ve yüksek yanlılığa sahiptir. Verilerin altında yatan yapıyı öğrenemez, bu da yüksek bir kayıp fonksiyonu değerine ve hem eğitim hem de doğrulama veri kümelerinde düşük performansa neden olur.
• Aşırı uyum: Model çok karmaşıktır ve yüksek varyansa sahiptir. Gürültü ve rastgele dalgalanmalar da dahil olmak üzere eğitim verilerini çok iyi öğrenir. Bu, eğitim setinde mükemmel performansa, ancak model genel kalıpları öğrenmek yerine esasen eğitim örneklerini ezberlediğinden, görünmeyen verilerde düşük performansa neden olur.

Makine öğrenimindeki nihai amaç, yeni, gerçek dünya senaryolarına etkili bir şekilde genelleme yapan bir model oluşturmak için yanlılık-varyans ödünleşimi olarak bilinen bir kavram olan bu ikisi arasında bir denge kurmaktır. Öğrenme eğrilerini analiz etmek, bir modelin yetersiz uyum, aşırı uyum veya iyi uyum gösterip göstermediğini teşhis etmek için yaygın bir yöntemdir.

Yetersiz Uyumun Nedenleri ve Çözümleri

Yetersiz uyumun belirlenmesi ve ele alınması, etkili modeller oluşturmak için çok önemlidir. Sorun tipik olarak, her biri ilgili çözümlere sahip birkaç ortak nedenden kaynaklanır.

• Model Çok Basit: Karmaşık, doğrusal olmayan bir sorun için doğrusal bir model kullanmak, yetersiz uyumun klasik bir nedenidir.
  • Çözüm: Model karmaşıklığını artırın. Bu, daha derin bir sinir ağı gibi daha güçlü bir model mimarisine veya daha küçük bir Ultralytics YOLO model varyantından daha büyük bir Ultralytics YOLO model varyantına geçmek gibi daha büyük bir önceden eğitilmiş modele 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 uyum gösterecektir.
  • Çözüm: Özellik mühendisliği yoluyla özellikleri iyileştirin. Bu, yeni özellikler oluşturmayı, polinom özellikler kullanmayı veya altta yatan örüntüleri daha iyi temsil etmek için farklı veri ön işleme teknikleri uygulamayı içerebilir. Özellik seçme teknikleri de uygulanabilir.
• Yetersiz Eğitim: Model yeterince eğitilmemiş olabilir çağlar Verilerdeki örüntüleri öğrenmek için.
  • Çözüm: Eğitim süresini artırın. Daha uzun eğitimin aşırı uyuma 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 düzenlemesi veya yüksek bırakma oranları aşırı uyumu önlemek için kullanılır, ancak çok agresif olurlarsa modeli çok fazla kısıtlayabilir ve yetersiz uyuma neden olabilirler.
  • Çözüm: Düzenli hale getirme miktarını azaltın. Bu, düzenlileştirme fonksiyonlarındaki ceza terimini düşürmek veya bırakma oranını azaltmak anlamına gelebilir. Model eğitimi için en iyi uygulamaları takip etmek doğru dengeyi bulmaya yardımcı olabilir.

Gerçek Dünyadan Yetersiz Uyum Örnekleri

1. Basit Görüntü Sınıflandırıcı: ImageNet veri kümesindeki binlerce nesne kategorisini tanımlamak gibi karmaşık bir görüntü sınıflandırma görevi üzerinde yalnızca bir veya iki katmana sahip çok basit bir Evrişimsel Sinir Ağını (CNN) eğittiğinizi düşünün. Modelin sınırlı kapasitesi, bu kadar çok sınıfı birbirinden ayırmak için gereken karmaşık özellikleri öğrenmesini engelleyecek ve hem eğitim hem de test verilerinde düşük doğrulukla sonuçlanacaktır. PyTorch ve TensorFlow gibi çerçeveler, bunun üstesinden gelmek için daha sofistike mimariler oluşturmaya yönelik araçlar sağlar.
2. Temel Kestirimci Bakım: Bir makinenin yalnızca çalışma sıcaklığına bağlı olarak ne zaman arızalanacağını tahmin etmek için öngörücü modelleme için basit bir doğrusal regresyon modeli kullanmayı düşünün. Makine arızaları aslında titreşim, yaş ve basınç gibi faktörlerin karmaşık, doğrusal olmayan bir etkileşiminden etkileniyorsa, basit doğrusal model yetersiz kalacaktır. Sistemin gerçek karmaşıklığını yakalayamaz, zayıf tahmin performansına ve arızaların doğru bir şekilde öngörülememesine yol açar. Gradyan artırma makinesi veya sinir ağı gibi daha karmaşık bir model daha uygun olacaktır.