Eksik Uyum (Underfitting)

Underfitting, bir makine öğrenimi modeli çok basit olduğunda veya eğitim verilerindeki temel eğilimleri ve kalıpları yakalama kapasitesinden yoksun olduğunda ortaya çıkar. Kavramsal olarak, bu durum, belirgin bir eğri oluşturan veri noktalarına düz bir çizgi uydurmaya çalışmaya benzer; model, girdiler ve çıktılar arasındaki ilişkinin karmaşıklığını kavrayamaz. Model verileri etkili bir şekilde öğrenemediği için, sadece eğitim setinde değil, aynı zamanda görülmemiş doğrulama verilerinde de düşük performans gösterir ve bu da düşük tahmin doğruluğuna yol açar. Bu fenomen genellikle, algoritmanın hedef fonksiyon hakkında aşırı basitleştirilmiş varsayımlarda bulunduğu AI'daki yüksek önyargının bir sonucudur.

Nedenler ve Göstergeler

Birkaç faktör, yetersiz uyumlu bir modele yol açabilir. En yaygın neden, mevcut görev için yeterince karmaşık olmayan bir model mimarisi kullanmaktır , örneğin doğrusal olmayan verilere doğrusal regresyon uygulamak gibi . Modele yakınsama için yeterli dönem verilmediği yetersiz eğitim süresi de yeterli öğrenmeyi engeller. Ayrıca, genellikle tersi sorunu önlemek için kullanılan bir teknik olan aşırı düzenleme, modeli aşırı derecede kısıtlayarak önemli özellikleri yakalamasını engelleyebilir.

Mühendisler, eğitim sırasında kayıp fonksiyonlarını izleyerek yetersiz uyumu tespit edebilirler. Hem eğitim hatası hem de doğrulama hatası yüksek kalır ve önemli ölçüde azalmazsa, model muhtemelen yetersiz uyum sağlamaktadır. Modellerin verileri anlamasına yardımcı olan etkili özellik mühendisliğinin aksine, çok az özellik sağlamak da modelin gerekli bilgilerden yoksun kalmasına neden olabilir.

Yetersiz Uyum ve Aşırı Uyum

Underfitting ile karşıt kavramı olan overfitting'i ayırt etmek çok önemlidir. Bu iki kavram, biyas-varyans dengesi

• Underfitting (Yüksek Önyargı): Model çok katıdır. Temel sinyali öğrenemediği için hem eğitim hem de test verilerinde kötü performans gösterir.
• Aşırı uyum (Yüksek Varyans): Model çok esnektir. Gürültü dahil olmak üzere eğitim verilerini ezberler, eğitim sırasında olağanüstü iyi performans gösterir ancak yeni örneklere genelleme yapamaz .

Bu iki uç nokta arasındaki "ideal noktayı" bulmak, model optimizasyonunun temel amacıdır.

Gerçek Dünya Uygulamaları

Çeşitli endüstrilerde güvenilir yapay zeka sistemleri geliştirmek için yetersiz uyumlamayı anlamak çok önemlidir.

• Otonom Sürüş: Otonom araçlar bağlamında, yetersiz donanımlı bir nesne algılama modeli, karmaşık kentsel ortamlarda yayalar ile sokak lambalarını ayırt edemeyebilir. Model, ince görsel farklılıkları öğrenmek için gerekli parametrelere sahip olmadığı için, yapay zeka güvenliğini tehlikeye atar.
• Tıbbi Teşhis: Tümörler gibi detect için tıbbi görüntü analizi uygulandığında, aşırı basit bir model küçük veya düzensiz büyümeleri gözden kaçırabilir. Sinir ağı çok sığsa, yüksek hassasiyet ve özgüllük için gerekli olan karmaşık dokuları öğrenemez ve bu da yanlış teşhislere yol açar. Tıbbi görüntü analizi, karmaşık dokuları öğrenmek için derin sinir ağları kullanır.

Kod ile Underfitting Sorununu Ele Alma

İçinde bilgisayar görüşü, yetersiz uyum genellikle görevin zorluğu için çok küçük bir model varyantı kullanıldığında ortaya çıkar (örneğin, yüksek çözünürlüklü drone görüntülerinde küçük nesneleri algılama). Aşağıdakiler Python Örnek, daha küçük bir modelden daha büyük ve daha yetenekli bir modele geçişin nasıl yapılacağını göstermektedir. ultralytics kütüphane ile potansiyel yetersiz uyumu çözmek.

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)

Daha büyük bir Ultralytics modeline geçerek ve yeterli eğitim süresini sağlayarak, sistem karmaşık kalıpları öğrenmek için gerekli parametreleri kazanır ve underfitting'i etkili bir şekilde azaltır. Modelinizin artık underfitting yapmadığını doğrulamak için, her zaman sağlam bir test veri setine göre değerlendirin. Veri setlerini yönetmek ve underfitting'i erken tespit etmek için deneyleri izlemek için Ultralytics , görselleştirme ve analiz için kapsamlı araçlar sunar.