Underfitting

Yetersiz uyum, bir makine öğrenimi modeli, eğitim verilerindeki temel eğilimleri ve örüntüleri yakalayamayacak kadar basit olduğunda veya yeterli kapasiteye sahip olmadığında ortaya çıkar. Kavramsal olarak bu durum, belirgin bir eğri oluşturan veri noktalarından düz bir çizgi geçirmeye çalışmaya benzer; model, girdiler ve çıktılar arasındaki ilişkinin karmaşıklığını kavrayamaz. Model verileri etkili bir şekilde öğrenemediği için yalnızca eğitim kümesinde değil, görülmemiş doğrulama verileri üzerinde de düşük performans gösterir ve bu da düşük tahmin doğruluğuna yol açar. Bu olgu çoğunlukla, algoritmanın hedef fonksiyon hakkında aşırı basitleştirilmiş varsayımlarda bulunduğu yüksek AI önyargısının bir sonucudur.

Nedenler ve Göstergeler#

Çeşitli faktörler yetersiz uyum gösteren bir modele yol açabilir. En yaygın neden, görev için yeterince karmaşık olmayan bir model mimarisi kullanmaktır; örneğin, doğrusal olmayan verilere doğrusal regresyon uygulamak. Modelin yakınsaması için yeterli sayıda epoch sağlanmadığı yetersiz eğitim süresi de öğrenmenin yeterli olmasını engeller. Ayrıca, genellikle zıt problemi önlemek için kullanılan bir teknik olan aşırı düzenlileştirme, modeli gereğinden fazla kısıtlayarak önemli özellikleri yakalamasını engelleyebilir.

Mühendisler, eğitim sırasında kayıp fonksiyonlarını izleyerek yetersiz uyumu tespit edebilir. Hem eğitim hatası hem de doğrulama hatası yüksek kalıyor ve önemli ölçüde azalmıyorsa model muhtemelen yetersiz uyum gösteriyordur. Modellerin verileri anlamasına yardımcı olan etkili özellik mühendisliğinin aksine, çok az özellik sağlamak da modeli gerekli bilgilerden mahrum bırakabilir.

Yetersiz Uyum ve Aşırı Uyum Karşılaştırması#

Yetersiz uyumu, bunun karşıtı olan aşırı uyumdan ayırt etmek kritik öneme sahiptir. Bu iki kavram, bias-varyans ödünleşiminin karşıt uçlarını temsil eder.

• Yetersiz Uyum (Yüksek Bias): Model çok katıdır. Temel sinyali öğrenemediği için hem eğitim verilerinde hem de test verilerinde kötü performans gösterir.
• Aşırı Uyum (Yüksek Varyans): Model çok esnektir. Gürültü de dâhil olmak üzere eğitim verilerini ezberler; eğitim sırasında olağanüstü iyi performans gösterirken yeni örneklere genelleme yapamaz.

Bu iki uç arasında "ideal noktayı" bulmak, model optimizasyonunun temel amacıdır.

Gerçek Dünya Uygulamaları#

Yetersiz uyumu anlamak, çeşitli sektörlerde güvenilir AI sistemleri geliştirmek için hayati önem taşır.

• Otonom Sürüş: Otonom araçlar bağlamında, yetersiz uyum gösteren bir nesne algılama modeli, karmaşık kentsel ortamlarda bir yaya ile elektrik direğini ayırt edemeyebilir. Model, ince görsel farklılıkları öğrenmek için gerekli parametrelerden yoksun olduğundan AI güvenliğini tehlikeye atar.
• Tıbbi Tanı: Tümörler gibi anormallikleri tespit etmek için tıbbi görüntü analizini uygularken, aşırı basit bir model küçük veya düzensiz büyümeleri gözden kaçırabilir. Sinir ağı çok sığsa, yüksek duyarlılık ve özgüllük için gereken karmaşık dokuları öğrenemez ve bu da tanıların gözden kaçmasına yol açar.

Yetersiz Uyumu Kodla Giderme#

Bilgisayarlı görüde yetersiz uyum, genellikle görevin zorluğu için çok küçük bir model varyantı kullanıldığında ortaya çıkar (ör. yüksek çözünürlüklü drone görüntülerinde küçük nesneleri algılama). Aşağıdaki Python örneği, olası yetersiz uyumu gidermek için ultralytics kitaplığını kullanarak daha küçük bir modelden daha büyük ve daha yetenekli bir modele nasıl geçileceğini gösterir.

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 geçilmesi ve yeterli eğitim süresinin sağlanmasıyla sistem, karmaşık örüntüleri öğrenmek için gerekli parametreleri kazanır ve yetersiz uyumu etkili bir şekilde azaltır. Modelinin artık yetersiz uyum göstermediğini doğrulamak için modelini her zaman sağlam bir test veri kümesine karşı değerlendir. Yetersiz uyumu erken tespit etmek amacıyla veri kümelerini yönetmek ve deneyleri izlemek için Ultralytics Platformu, görselleştirme ve analiz için kapsamlı araçlar sunar.