Yetersiz Uyum

Yetersiz Uyuma Ne Sebep Olur?

Çeşitli faktörler modelin yetersiz uyum göstermesine yol açabilir:

• Yetersiz Model Karmaşıklığı: Seçilen model mimarisi görev için çok basit olabilir. Örneğin, karmaşık, doğrusal olmayan veriler için doğrusal bir model veya çok az katman veya nöron içeren bir sinir ağı kullanmak. Model karmaşıklığını anlamak çok önemlidir.
• Yetersiz Özellikler: Modele sağlanan girdi özellikleri, doğru tahminler yapmak için yeterince ilgili bilgi içermeyebilir. Bunu önlemek için etkili özellik mühendisliği çok önemlidir.
• Yetersiz Eğitim: Model yeterli sayıda epok için eğitilmemiş olabilir, yani eğitim verilerindeki kalıpları öğrenmek için yeterli fırsatı olmamıştır.
• Aşırı düzenlileştirme: Düzenli hale getirme teknikleri aşırı uyumu önlemek için kullanılırken, bunları çok agresif bir şekilde uygulamak modeli aşırı derecede kısıtlayabilir, veri modellerini öğrenme yeteneğini engelleyebilir ve yetersiz uyuma neden olabilir.

Yetersiz Uyumun Belirlenmesi

Yetersiz uyum genellikle modelin eğitim sırasındaki ve sonrasındaki performansı değerlendirilerek teşhis edilir:

• Yüksek Eğitim Hatası: Model, eğitildiği veriler üzerinde bile düşük performans gösterir. Kayıp fonksiyonu değeri yüksek kalırken doğruluk, kesinlik veya geri çağırma gibi performans ölçümleri düşüktür.
• Yüksek Doğrulama Hatası: Modelin doğrulama verilerinde de düşük performans göstermesi, genel kalıpları öğrenemediğini gösterir.
• Öğrenme Eğrileri: Modelin eğitim ve doğrulama kümelerindeki hatasının zaman içinde çizilmesi(öğrenme eğrileri), her iki eğrinin de yüksek bir hata seviyesinde plato oluşturması durumunda yetersiz uyumu ortaya çıkarabilir. Nesne algılama gibi belirli görevler için YOLO performans metrikleriyle ilgili kılavuzlara başvurun.

Yetersiz Uyumun Ele Alınması

Çeşitli stratejiler yetersiz uyumun üstesinden gelmeye yardımcı olabilir:

• Model Karmaşıklığını Artırın: Bir sinir ağına daha fazla katman veya nöron eklemek ya da aşağıdaki gibi daha gelişmiş bir algoritma seçmek gibi daha güçlü bir model kullanın Ultralytics YOLO Aile.
• Özellik Mühendisliğini Geliştirin: Daha alakalı özellikler ekleyin veya mevcut özelliklerin daha iyi temsillerini oluşturun.
• Eğitim Süresini Artırın: Modeli daha fazla epok için eğiterek öğrenmesi için daha fazla zaman tanır.
• Düzenlemeyi Azaltın: Modeli aşırı derecede kısıtlıyorsa düzenlileştirme tekniklerinin gücünü azaltın.
• Yeterli Veri Sağlayın: Genellikle aşırı uyum ile ilişkilendirilse de, model sınırlı örneklerden kalıpları ayırt edemiyorsa, yetersiz veri bazen yetersiz uyuma katkıda bulunabilir. Ultralytics veri kümeleri gibi kaynakları veya veri artırma gibi teknikleri keşfedin.

Gerçek Dünyadan Yetersiz Uyum Örnekleri

• Sınırlı Özelliklerle Ev Fiyatlarını Tahmin Etmek: Sadece yatak odası sayısını kullanarak ev fiyatlarını tahmin etmeye çalıştığınızı düşünün. Bu basit model (az sayıda özellik) muhtemelen yetersiz kalacaktır çünkü konum, metrekare ve yaş gibi önemli faktörleri göz ardı eder ve konut piyasasının gerçek karmaşıklığını yakalayamaz.
• Karmaşık Sahneler için Temel Görüntü Sınıflandırıcı: Farklı ortamlardaki çeşitli kuş türlerini tanımlamak gibi karmaşık bir görüntü sınıflandırma görevi için yalnızca bir veya iki evrişimli katmana sahip çok basit bir Evrişimli Sinir Ağını (CNN) eğitmek. Model, farklı türleri birbirinden ayıran karmaşık özellikleri öğrenemeyebilir ve bu da hem tanıdık hem de yeni görüntülerde düşük performansa neden olabilir.

Yetersiz Uyum ve Aşırı Uyum

Yetersiz uyum, aşırı uyumun tersidir. Yetersiz uyum sağlayan bir model çok basittir ve verilerin altında yatan eğilimi yakalayamaz, bu da yüksek yanlılığa neden olur. Aşırı uyum sağlayan bir model çok karmaşıktır; gürültü ve aykırı değerler de dahil olmak üzere eğitim verilerini çok iyi öğrenir, bu da yeni verilerde yüksek varyansa ve düşük performansa yol açar. Makine öğreniminde amaç, bu iki uç arasında bir denge kurarak iyi bir genelleme elde etmektir. Bu denge genellikle yanlılık-varyans ödünleşimi açısından tartışılır. Çapraz doğrulama (bkz. Ultralytics K-Fold kılavuzu) ve dikkatli hiperparametre ayarlama (bkz. Ultralytics Ayarlama kılavuzu) gibi teknikler bu optimum dengeyi bulmak için gereklidir. Ultralytics HUB gibi platformlar, hem yetersiz uyum hem de aşırı uyumu belirlemek ve azaltmak için deneylerin yönetilmesine ve model performansının izlenmesine yardımcı olabilir.