Underfitting

Hiện tượng underfitting xảy ra khi một model machine learning quá đơn giản hoặc không đủ năng lực để nắm bắt các xu hướng và mẫu cơ bản trong training data. Về mặt khái niệm, nó tương tự như việc cố gắng vẽ một đường thẳng đi qua các điểm dữ liệu tạo thành một đường cong rõ rệt; model không nắm bắt được độ phức tạp của mối quan hệ giữa đầu vào và đầu ra. Do model chưa học dữ liệu một cách hiệu quả, nó thể hiện hiệu suất kém không chỉ trên tập huấn luyện mà còn trên validation data chưa từng thấy, dẫn đến accuracy dự đoán thấp. Hiện tượng này thường là kết quả của độ bias in AI cao, nơi thuật toán đưa ra các giả định quá đơn giản về hàm mục tiêu.

Nguyên nhân và Chỉ số#

Một số yếu tố có thể dẫn đến model bị underfitting. Nguyên nhân phổ biến nhất là sử dụng kiến trúc model không đủ phức tạp cho tác vụ đang xử lý, chẳng hạn như áp dụng linear regression cho dữ liệu phi tuyến tính. Thời gian huấn luyện không đủ, trong đó model không có đủ epochs để hội tụ, cũng cản trở quá trình học tập đầy đủ. Hơn nữa, việc regularization quá mức—một kỹ thuật thường dùng để ngăn chặn vấn đề ngược lại—có thể giới hạn model quá đà, ngăn cản nó nắm bắt các đặc trưng quan trọng.

Các kỹ sư có thể nhận biết hiện tượng underfitting bằng cách giám sát loss functions trong quá trình huấn luyện. Nếu cả lỗi huấn luyện và lỗi xác thực đều ở mức cao và không giảm đáng kể, model có khả năng đang bị underfitting. Trái ngược với feature engineering hiệu quả, giúp model hiểu dữ liệu, việc cung cấp quá ít đặc trưng cũng có thể khiến model thiếu thốn thông tin cần thiết.

Underfitting so với Overfitting#

Điều quan trọng là phải phân biệt underfitting với đối trọng của nó, overfitting. Hai khái niệm này đại diện cho hai đầu đối lập của bias-variance tradeoff.

• Underfitting (High Bias): Model quá cứng nhắc. Nó hoạt động kém trên cả dữ liệu huấn luyện và test data vì nó chưa học được tín hiệu cơ bản.
• Overfitting (High Variance): Model quá linh hoạt. Nó ghi nhớ dữ liệu huấn luyện, bao gồm cả nhiễu, hoạt động cực kỳ tốt trong quá trình huấn luyện nhưng không thể generalize sang các ví dụ mới.

Tìm ra điểm cân bằng lý tưởng giữa hai thái cực này là mục tiêu chính của model optimization.

Các ứng dụng trong thực tế#

Hiểu về underfitting là rất quan trọng để phát triển các hệ thống AI đáng tin cậy trên nhiều ngành công nghiệp khác nhau.

• Xe tự hành: Trong bối cảnh autonomous vehicles, model phát hiện đối tượng bị underfitting có thể không phân biệt được giữa người đi bộ và cột đèn trong các môi trường đô thị phức tạp. Do model thiếu các tham số để học các sự khác biệt nhỏ về mặt thị giác, điều này gây nguy hiểm cho AI safety.
• Chẩn đoán y tế: Khi áp dụng medical image analysis để phát hiện các bất thường như khối u, một model quá đơn giản có thể bỏ sót các khối u nhỏ hoặc không đều. Nếu mạng neural quá nông, nó không thể học được các kết cấu phức tạp cần thiết cho sensitivity and specificity cao, dẫn đến chẩn đoán sót.

Giải quyết Underfitting bằng Code#

Trong computer vision, underfitting thường xảy ra khi sử dụng một biến thể model quá nhỏ so với độ khó của tác vụ (ví dụ: phát hiện các đối tượng nhỏ trong ảnh chụp từ trên không độ phân giải cao). Ví dụ Python sau đây minh họa cách chuyển đổi từ một model nhỏ hơn sang một model lớn hơn, có năng lực hơn bằng cách sử dụng thư viện ultralytics để giải quyết tình trạng underfitting tiềm ẩn.

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)

Bằng cách chuyển sang model Ultralytics YOLO26 lớn hơn và đảm bảo thời gian huấn luyện đầy đủ, hệ thống sẽ có được các tham số cần thiết để học các mẫu phức tạp, qua đó khắc phục hiệu quả hiện tượng underfitting. Để xác minh model của bạn không còn bị underfitting, hãy luôn đánh giá nó dựa trên một test dataset mạnh mẽ. Để quản lý các tập dữ liệu và theo dõi các thí nghiệm nhằm phát hiện sớm hiện tượng underfitting, Ultralytics Platform cung cấp các công cụ toàn diện để trực quan hóa và phân tích.