Underfitting

当一个机器学习模型过于简单，或缺乏捕捉训练数据中潜在趋势和模式的能力时，就会发生欠拟合。从概念上讲，这类似于试图用直线拟合一组呈现明显曲线的数据点；模型无法理解输入与输出之间关系的复杂性。由于模型没有有效地学习数据，它不仅在训练集上表现不佳，在未见过的验证数据上也同样如此，从而导致预测准确率较低。这种现象通常是AI 中的偏差较高造成的，即算法对目标函数做出了过于简单化的假设。

原因和指标#

多种因素都可能导致模型欠拟合。最常见的原因是所使用的模型架构对于当前任务而言不够复杂，例如将线性回归应用于非线性数据。训练时长不足也会妨碍充分学习，例如没有为模型提供足够的训练轮次以实现收敛。此外，过度的正则化——一种通常用于防止相反问题的技术——可能会过度限制模型，使其无法捕捉重要特征。

工程师可以通过在训练期间监控损失函数来识别欠拟合。如果训练误差和验证误差都持续较高且没有明显下降，那么模型很可能存在欠拟合。与能够帮助模型理解数据的有效特征工程相比，提供的特征过少也会使模型缺乏必要的信息。

欠拟合与过拟合#

区分欠拟合与其对应问题过拟合至关重要。这两个概念代表了偏差-方差权衡的两个相反极端。

• **欠拟合（高偏差）：**模型过于僵化。由于没有学到基本信号，它在训练数据和测试数据上的表现都很差。
• **过拟合（高方差）：**模型过于灵活。它会记住训练数据，包括其中的噪声，因此在训练期间表现异常出色，却无法对新示例进行泛化。

在这两个极端之间找到“最佳平衡点”是模型优化的主要目标。

实际应用#

理解欠拟合对于在各个行业开发可靠的 AI 系统至关重要。

• **自动驾驶：**在自动驾驶汽车场景中，欠拟合的目标检测模型可能无法在复杂的城市环境中区分行人和路灯柱。由于模型缺乏学习细微视觉差异所需的参数，这会危及AI 安全。
• **医疗诊断：**将医学图像分析应用于检测肿瘤等异常情况时，过于简单的模型可能会漏掉较小或形状不规则的增生。如果神经网络过浅，就无法学习实现高灵敏度和特异度所需的复杂纹理，从而导致漏诊。

使用代码解决欠拟合#

在计算机视觉中，当使用的模型变体对于任务难度而言过小时，通常会发生欠拟合（例如，在高分辨率无人机影像中检测小目标）。以下Python示例演示了如何使用 ultralytics 库，将较小的模型切换为更大且能力更强的模型，以解决潜在的欠拟合问题。

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)

通过改用更大的Ultralytics YOLO26模型并确保训练时长充足，系统可以获得学习复杂模式所需的参数，从而有效缓解欠拟合。要验证模型不再存在欠拟合，请始终使用可靠的测试数据集对其进行评估。为了管理数据集并跟踪实验，以便及早发现欠拟合，Ultralytics Platform提供了用于可视化和分析的全面工具。