Underfitting

当machine learning模型过于简单或缺乏捕捉training data中潜在趋势和模式的能力时，就会发生欠拟合。从概念上讲，这类似于试图用一条直线去拟合形成明显曲线的数据点；模型无法理解输入与输出之间关系的复杂性。由于模型未能有效地学习数据，它不仅在训练集上表现不佳，在未见过的validation data上表现也很差，从而导致较低的预测accuracy。这种现象通常是由于bias in AI较高所致，算法对目标函数作出了过于简单的假设。

原因与指标#

有几个因素会导致模型出现欠拟合。最常见的原因是使用了对于当前任务而言不够复杂的模型架构，例如将linear regression应用于非线性数据。训练时间不足（即没有给模型足够的epochs来收敛）也会阻碍充分学习。此外，过度的regularization（这是一种通常用于防止相反问题的技术）会过度约束模型，阻止它捕捉重要的特征。

工程师可以通过在训练期间监控loss functions来识别欠拟合。如果训练误差和验证误差都保持较高水平且没有显著下降，那么模型很可能处于欠拟合状态。与帮助模型理解数据的有效feature engineering相比，提供过少的特征也会使模型缺乏必要的信息。

欠拟合与过拟合#

至关重要的是，要将欠拟合与其对立面overfitting区分开来。这两个概念代表了bias-variance tradeoff的两个极端。

• 欠拟合（高偏差）： 模型过于死板。由于它没有学习到基本信号，因此在训练数据和test data上的表现都很差。
• 过拟合（高方差）： 模型过于灵活。它死记硬背了训练数据（包括噪声），在训练期间表现异常出色，但无法generalize到新的样本。

在这两个极端之间找到“平衡点”是model optimization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autonomous vehicles的场景中，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。由于模型缺乏学习细微视觉差异的参数，这危及了AI safety。
• 医学诊断： 当应用medical image analysis来检测肿瘤等异常时，过于简单的模型可能会漏掉小型或不规则的生长物。如果神经网络太浅，它就无法学习获得高sensitivity and specificity所需的复杂纹理，从而导致漏诊。

使用代码解决欠拟合#

在computer vision中，当使用的模型变体对于任务难度而言太小时（例如在高分辨率无人机图像中检测小物体），通常会发生欠拟合。以下的Python示例演示了如何使用 ultralytics 库从较小的模型切换到更大、功能更强的模型，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)

通过更换为更大的Ultralytics YOLO26模型并确保充足的训练时长，系统将获得学习复杂模式所需的参数，从而有效缓解欠拟合。为了验证你的模型不再欠拟合，请务必使用强健的test dataset对其进行评估。为了管理数据集和跟踪实验以便及早发现欠拟合，Ultralytics Platform提供了全面的可视化和分析工具。