Underfitting

当机器学习（ML）模型无法捕捉训练数据中的模式时，就会发生欠拟合；因此，模型不仅在学过的样本上会出现较大误差，在新样本上也会如此。一个经典例子是用直线拟合沿曲线分布的点，就像简单的线性回归那样：无论如何选择斜率和截距，都无法跟随曲线的弯曲变化。欠拟合模型具有较高的偏差，这意味着模型的假设对输入与输出之间的真实关系限制过多，因此模型在训练集和测试数据上的准确率都很低。

欠拟合的迹象#

最明显的信号是训练损失一直居高不下。当损失函数在远高于可接受水平的位置趋于平稳，而验证数据损失接近训练损失时，说明模型学习不足；两者之间的差距很小，则表明问题并非模型记住了数据。学习曲线会绘制误差随训练集大小的变化，显示出第二个信号：两条曲线都在高误差处趋于平稳，因此增加同类型数据几乎没有帮助。在目标检测中，如果模型在自己训练过的图像上平均精度均值 (mAP)仍然很低，就说明模型欠拟合；这是 Ultralytics 模型测试指南中的一项检查。比较两种损失可以区分欠拟合与过拟合：

常见原因#

• 模型容量过小：模型系列无法表示数据中的模式，例如在曲线数据上使用线性模型，或在复杂视觉任务中使用非常小的网络。
• 训练轮数太少：过早停止训练，或使用过小的学习率，导致模型无法在可用时间内取得进展，都会使优化器在收敛前停止。
• 正则化过强：权重衰减过大、Dropout 比例过高或数据增强过于激进，都会过度限制模型，使其无法拟合数据中的有效信号。
• 特征缺乏信息：缺少变量，或将图像缩小到小目标消失，都会移除模型所需的信息。
• 梯度消失及其他优化失败：即使模型容量足够，深层网络的早期层也可能停止学习。

代码中的欠拟合#

下面的示例使用 scikit-learn 分别用直线和三次多项式拟合正弦曲线的含噪样本，然后报告训练点和测试点上的均方误差（MSE）：

import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import PolynomialFeatures

# Noisy samples of a curved function
rng = np.random.default_rng(0)
x = rng.uniform(-3, 3, size=(200, 1))
y = np.sin(x).ravel() + rng.normal(0, 0.1, size=200)
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=0)

# A straight line underfits; a cubic polynomial has enough capacity for the curve
for degree in (1, 3):
    model = make_pipeline(PolynomialFeatures(degree), LinearRegression()).fit(x_train, y_train)
    train_mse = mean_squared_error(y_train, model.predict(x_train))
    test_mse = mean_squared_error(y_test, model.predict(x_test))
    print(f"degree {degree}: train MSE {train_mse:.3f}, test MSE {test_mse:.3f}")

直线拟合的训练 MSE 为 0.193，测试 MSE 为 0.188；两者都很高且几乎相同，这是欠拟合的典型表现。三次多项式将两者分别降至 0.013 和 0.017，接近数据所加噪声决定的 0.010 下限。

如何解决欠拟合#

修复方法应针对问题根源：使用更大或表达能力更强的模型；以合适的学习率延长训练；减弱正则化或数据增强；以及使用更高图像分辨率等更丰富的输入。YOLO26提供n、s、m、l 和 x 尺寸，通过缩放同一架构的深度和宽度来区分模型大小；如果某次运行的 results.csv 中训练和验证损失都很高，通常会先从 yolo26n.pt 切换到更大的尺寸。在计算机视觉中，小目标是常见问题：使用较低输入尺寸处理无人机视频的检测器会漏掉小目标，而更高的输入尺寸可以保留这些目标。

欠拟合与过拟合#

欠拟合和过拟合是偏差-方差权衡的两种失败模式。欠拟合模型偏差较高，在训练数据和新数据上都会出现类似错误；过拟合模型方差较高，会紧密拟合训练数据（包括噪声），但泛化能力较差。经典示意图是一条呈 U 形的测试误差曲线，左侧是欠拟合，右侧是过拟合。大型神经网络使这个问题更加复杂，因为存在双下降现象：模型规模足以精确拟合训练数据后，测试误差可能再次下降；这种现象已在不同模型规模和训练轮数下观察到。