不合适

什么原因导致不匹配？

有几个因素可能导致模型拟合不足：

• 模型不够复杂：所选模型可能过于简单，无法满足数据的复杂性。例如，对非线性模式的数据使用基本的线性回归模型，或使用层数或神经元太少的神经网络 (NN)。
• 特征工程不足：提供给模型的输入特征可能没有包含足够的相关信息，或者不能有效地代表基本模式。
• 训练数据不足：模型可能没有看到足够的示例来学习底层模式。这对于复杂的深度学习模型来说尤其如此。拥有多样化、有代表性的数据至关重要，可以通过Ultralytics 数据集等平台进行探索。
• 训练时间太短：模型训练过程可能会过早停止，还没有足够的历时来学习数据中的模式。
• 过度正则化：用于防止过拟合的技术，如 L1 或 L2 正则化或高丢弃率，有时会过度约束模型，如果应用得过于强烈，就会阻止它学习必要的模式。

识别欠拟合

欠拟合通常是通过评估模型在训练期间和训练之后的表现来诊断的：

• 训练误差大：即使在训练数据上，模型的表现也很差。准确率、精确度、召回率或F1 分数等关键指标都很低，损失函数值也居高不下。
• 验证/测试误差大：模型在未知验证数据或测试数据上的表现也很差。训练误差和验证误差之间的性能差距通常很小，但两者的误差都高得令人无法接受。
• 学习曲线：将训练和验证损失/度量与训练历时进行对比，可以发现拟合不足的问题。如果两条曲线都在较高的误差水平上趋于平稳，则模型很可能是拟合不足。你可以使用TensorBoard或 Weights & Biases.了解具体的YOLO 性能指标也至关重要。

解决欠拟合问题

有几种策略可以帮助克服拟合不足的问题：

• 提高模型复杂性：使用功能更强大的模型架构，增加参数、层数或神经元。例如，从更简单的 CNN 转向更先进的架构，如 Ultralytics YOLO11等更先进的架构来完成物体检测任务。
• 改进特征工程：从现有数据中创建信息量更大的特征，或纳入新的相关数据源。
• 增加训练时间：对模型进行更多历元训练，使其有足够的时间学习数据模式。查看模型训练提示以获得指导。
• 减少正则化：降低正则化技术的强度（例如，降低正则化参数 lambda，降低丢弃概率）。
• 确保数据充足：收集更多的训练示例。如果收集更多数据不可行，数据扩增等技术可以人为地增加训练数据的多样性。使用Ultralytics HUB 等平台可以简化数据集的管理。

欠拟合与过拟合

欠拟合和过拟合是同一枚硬币的两面，代表着模型泛化的失败。

• 拟合不足：模型过于简单（偏差大）。它无法捕捉数据的潜在趋势，导致在训练集和测试集上的表现都很差。
• 过度拟合：模型过于复杂（高方差）。它对训练数据的学习效果太好，包括噪音和随机波动，导致在训练集上表现优异，但在未见数据上表现不佳。

ML 的目标是在欠拟合和过拟合之间找到一个最佳点，这通常是在偏差-方差权衡的背景下讨论的，即模型在不记忆噪声的情况下学习真实的基本模式。

拟合不足的真实案例

1. 简单图像分类器：训练一个非常基本的卷积神经网络 (CNN)（例如，只有一个或两个卷积层）来完成复杂的图像分类任务，例如对ImageNet 中成千上万的物体类别进行分类。由于容量有限，该模型无法学习有效区分多个类别所需的复杂特征，因此很可能无法满足要求。训练和验证的准确率都会很低。
2. 基本预测性维护：使用简单的线性模型，仅根据工作温度预测机器故障。如果故障实际上受到振动、使用年限、压力和温度非线性等复杂因素的影响，那么线性模型就会失效。它无法捕捉真正的复杂性，导致预测模型性能不佳，无法准确预测故障。有必要利用更复杂的模型或更好的功能。像 PyTorch或 TensorFlow等框架提供了构建更复杂模型的工具。