Underfitting

Quali sono le cause dell'underfitting?

Diversi fattori possono portare a un modello poco adatto:

• Complessità del modello insufficiente: L'architettura del modello scelto potrebbe essere troppo semplice per il compito da svolgere. Ad esempio, l'utilizzo di un modello lineare per dati complessi e non lineari, oppure una rete neurale con un numero troppo basso di strati o neuroni. La comprensione della complessità del modello è fondamentale.
• Caratteristiche inadeguate: Le caratteristiche di input fornite al modello potrebbero non contenere abbastanza informazioni rilevanti per fare previsioni accurate. Un'efficace ingegnerizzazione delle caratteristiche è fondamentale per evitare che ciò accada.
• Formazione insufficiente: Il modello potrebbe non essere stato addestrato per un numero sufficiente di epoche, il che significa che non ha avuto sufficienti opportunità di apprendere i modelli presenti nei dati di addestramento.
• Regolarizzazione eccessiva: Sebbene le tecniche di regolarizzazione siano utilizzate per evitare l'overfitting, la loro applicazione troppo aggressiva può limitare eccessivamente il modello, ostacolando la sua capacità di apprendere i modelli dei dati e causando un underfitting.

Identificare l'underfitting

L'underfitting viene tipicamente diagnosticato valutando le prestazioni del modello durante e dopo l'addestramento:

• Errore di addestramento elevato: Il modello ha prestazioni scarse anche sui dati su cui è stato addestrato. Le metriche di performance come l'accuratezza, la precisione o il richiamo sono basse, mentre il valore della funzione di perdita rimane alto.
• Errore di validazione elevato: Il modello si comporta male anche sui dati di convalida, indicando che non ha appreso i modelli generali.
• Curve di apprendimento: Tracciare l'errore del modello sui set di addestramento e di convalida nel tempo(curve di apprendimento) può rivelare un underfitting se entrambe le curve raggiungono un livello di errore elevato. Per compiti specifici come il rilevamento di oggetti, consulta le guide sulle metriche delle prestazioniYOLO .

Affrontare l'underfitting

Diverse strategie possono aiutare a superare l'underfitting:

• Aumentare la complessità del modello: Utilizza un modello più potente, ad esempio aggiungendo più strati o neuroni a una rete neurale o scegliendo un algoritmo più sofisticato come quelli disponibili in Ultralytics YOLO della famiglia Ultralytics.
• Migliorare l'ingegneria delle caratteristiche: Aggiungi funzioni più rilevanti o crea rappresentazioni migliori delle funzioni esistenti.
• Aumenta la durata dell'allenamento: Addestra il modello per un numero maggiore di epoche, consentendogli di avere più tempo per imparare.
• Ridurre la regolarizzazione: Riduci la forza delle tecniche di regolarizzazione se queste limitano eccessivamente il modello.
• Garantire dati sufficienti: Sebbene sia spesso associato all'overfitting, i dati insufficienti possono talvolta contribuire all'underfitting se il modello non è in grado di discernere i modelli da esempi limitati. Esplora risorse come i dataset diUltralytics o tecniche come l'aumento dei dati.

Esempi di underfitting nel mondo reale

• Prevedere i prezzi delle case con caratteristiche limitate: Immagina di cercare di prevedere i prezzi delle case utilizzando solo il numero di camere da letto. Questo semplice modello (con poche caratteristiche) sarebbe probabilmente inadeguato perché ignora fattori cruciali come la posizione, la metratura e l'età, non riuscendo a cogliere la vera complessità del mercato immobiliare.
• Classificatore di immagini di base per scene complesse: Addestrare una rete neurale convoluzionale (CNN) molto semplice con solo uno o due strati convoluzionali per un compito di classificazione di immagini complesse, come l'identificazione di varie specie di uccelli in ambienti diversi. Il modello potrebbe non riuscire ad apprendere le complesse caratteristiche che distinguono le diverse specie, con conseguenti scarse prestazioni sia sulle immagini familiari che su quelle nuove.

Underfitting vs. Overfitting

L'underfitting è l'inverso dell'overfitting. Un modello underfit è troppo semplice e non riesce a cogliere la tendenza di fondo dei dati, causando un elevato bias. Un modello overfit è troppo complesso; apprende troppo bene i dati di addestramento, compresi i rumori e i valori anomali, con conseguente alta varianza e scarse prestazioni sui nuovi dati. L'obiettivo dell'apprendimento automatico è quello di trovare un equilibrio tra questi due estremi, ottenendo una buona generalizzazione. Questo equilibrio viene spesso discusso in termini di compromesso bias-varianza. Tecniche come la convalida incrociata (vedi la guida K-Fold diUltralytics ) e un'attenta regolazione degli iperparametri (vedi la guidaUltralytics Tuning) sono essenziali per trovare questo equilibrio ottimale. Piattaforme come Ultralytics HUB possono aiutare a gestire gli esperimenti e a monitorare le prestazioni del modello per identificare e mitigare sia l'underfitting che l'overfitting.