Underfitting

Underfitting xảy ra khi một model machine learning quá đơn giản hoặc thiếu năng lực để nắm bắt các xu hướng và mẫu hình nền tảng trong dữ liệu huấn luyện. Về mặt khái niệm, hiện tượng này tương tự như việc cố gắng khớp một đường thẳng qua các điểm dữ liệu tạo thành một đường cong rõ rệt; model không thể nắm bắt mức độ phức tạp của mối quan hệ giữa đầu vào và đầu ra. Vì model chưa học dữ liệu hiệu quả, nó có hiệu năng kém không chỉ trên tập huấn luyện mà còn trên dữ liệu validation chưa từng thấy, dẫn đến độ chính xác dự đoán thấp. Hiện tượng này thường là kết quả của độ chệch cao trong AI, trong đó thuật toán đưa ra các giả định quá đơn giản về hàm mục tiêu.

Nguyên nhân và dấu hiệu#

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 thực hiện, chẳng hạn như áp dụng hồi quy tuyến tính cho dữ liệu phi tuyến. Thời gian huấn luyện không đủ, khi model không được cung cấp đủ epoch để hội tụ, cũng ngăn cản việc học đầy đủ. Ngoài ra, regularization quá mức—một kỹ thuật thường được sử dụng để ngăn chặn vấn đề ngược lại—có thể ràng buộc model quá chặt, khiến model không thể nắm bắt các đặc trưng quan trọng.

Kỹ sư có thể xác định underfitting bằng cách theo dõi hàm mất mát trong quá trình huấn luyện. Nếu cả lỗi trên tập huấn luyện và lỗi trên tập validation đều duy trì ở mức cao và không giảm đáng kể, model nhiều khả năng đang bị underfitting. Trái ngược với feature engineering hiệu quả, vốn giúp model hiểu dữ liệu, việc cung cấp quá ít đặc trưng cũng có thể khiến model thiếu thông tin cần thiết.

Underfitting và Overfitting#

Việc phân biệt underfitting với đối tượng đối lập của nó là overfitting rất quan trọng. Hai khái niệm này đại diện cho hai cực đối lập của đánh đổi bias-variance.

• Underfitting (Bias cao): Model quá cứng nhắc. Model hoạt động kém trên cả dữ liệu huấn luyện và dữ liệu kiểm tra vì chưa học được tín hiệu cơ bản.
• Overfitting (Variance cao): Model quá linh hoạt. Model ghi nhớ dữ liệu huấn luyện, bao gồm cả nhiễu, đạt hiệu năng đặc biệt tốt trong quá trình huấn luyện nhưng không thể tổng quát hóa cho các mẫu mới.

Tìm ra “điểm cân bằng tối ưu” giữa hai thái cực này là mục tiêu chính của tối ưu hóa model.

Các ứng dụng trong thực tế#

Hiểu về underfitting là yếu tố thiết yếu để phát triển các hệ thống AI đáng tin cậy trong nhiều ngành khác nhau.

• Lái xe tự hành: Trong bối cảnh phương tiện tự hành, một model phát hiện đối tượng bị underfitting có thể không phân biệt được người đi bộ và cột đèn trong môi trường đô thị phức tạp. Vì model thiếu các tham số để học những khác biệt hình ảnh tinh tế, hiện tượng này gây nguy hiểm cho an toàn AI.
• Chẩn đoán y khoa: Khi áp dụng phân tích ảnh y khoa để phát hiện các bất thường như khối u, một model quá đơn giản có thể bỏ sót các khối u nhỏ hoặc phát triển không đều. Nếu mạng neural quá nông, nó không thể học các kết cấu phức tạp cần thiết để đạt độ nhạy và độ đặc hiệu cao, dẫn đến bỏ sót chẩn đoán.

Khắc phục Underfitting bằng Code#

Trong thị giác máy tính, 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 drone độ phân giải cao). Ví dụ Python sau đây minh họa cách chuyển từ một model nhỏ hơn sang một model lớn hơn, mạnh hơn bằng thư viện ultralytics để khắc phục nguy cơ underfitting.

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 một model Ultralytics YOLO26 lớn hơn và đảm bảo thời gian huấn luyện đầy đủ, hệ thống có được các tham số cần thiết để học các mẫu hình phức tạp, qua đó giảm thiểu hiệu quả underfitting. Để xác minh model của bạn không còn bị underfitting, hãy luôn đánh giá model trên một bộ dữ liệu kiểm tra đáng tin cậy. Để quản lý dataset và theo dõi các experiment nhằm phát hiện sớm underfitting, Ultralytics Platform cung cấp các công cụ toàn diện để trực quan hóa và phân tích.