Odborná definícia
Význam a odborné vymedzenie pojmu
Underfitting je stav, keď model nedokáže dostatočne zachytiť vzťahy prítomné ani v tréningových dátach. Prejavuje sa vysokou tréningovou chybou a zvyčajne aj slabým validačným výkonom. Príčinou môže byť príliš jednoduchá hypotéza, nedostatočný počet tréningových krokov, silná regularizácia, nevhodné príznaky, chybná optimalizácia alebo cieľ, ktorý nezodpovedá úlohe. Nejde iba o nízky počet parametrov, pretože aj veľký model môže zostať underfit pri zlom nastavení alebo nekvalitnom signále. Diagnostika má zahŕňať jednoduchý baseline, aby sa odlíšila slabá kapacita od chyby v dátovej alebo metrickej pipeline.
Zrozumiteľné vysvetlenie
Ako sa pojem používa v praxi
Ak sa model učí ceny bytov iba z počtu izieb, ignoruje lokalitu, stav a rozlohu. Môže sa mýliť aj na príkladoch, ktoré už videl, pretože jeho reprezentácia je príliš chudobná. Podobne dopadne neurónová sieť, ktorú tréning zastaví priskoro alebo ju regularizácia drží príliš blízko nulovým váham. Underfitting sa preto rieši nielen väčším modelom, ale aj lepšími dátami, príznakmi, dlhším tréningom, vhodnejšou loss a kontrolou, či sa gradient skutočne prenáša. Ak model nedokáže preučiť ani malú čistú vzorku, problém býva často v implementácii, optimalizácii alebo nesprávnom cieli.
Časté otázky
Otázky, ktoré spresňujú význam
Ako sa underfitting rozpozná z learning curves?
Tréningová aj validačná chyba zostávajú vysoké a často sú si relatívne blízke. Pridanie ďalších podobných dát nemusí pomôcť, kým sa nezvýši schopnosť modelu.
Môže underfitting spôsobiť príliš silná regularizácia?
Áno. Veľká penalizácia váh, agresívny dropout alebo nadmerná augmentácia môžu potlačiť aj užitočný signál a znížiť výkon na tréningu.
Pomôže vždy zväčšenie modelu?
Nie. Ak je problém v chybných štítkoch, nevhodnom cieli, optimalizátore alebo chýbajúcom príznaku, viac parametrov môže iba zvýšiť náklady bez zlepšenia.
Je nízka training accuracy dôkazom underfittingu?
Je to silný signál, ale treba skontrolovať aj náhodný baseline, vyváženosť tried, správnosť metriky a to, či tréningový pipeline používa zamýšľané dáta.
Ako sa underfitting líši od overfittingu?
Pri underfittingu je slabý už tréningový výkon. Pri overfittingu model tréning zvláda výrazne lepšie než nové dáta, pretože sa prispôsobil aj šumu alebo detailom vzorky.
Súvisiace pojmy
Významové a tematické súvislosti
Pojem v rozhodovaní
Odborné články, ktoré tento pojem používajú v praxi
Zdroje a redakčná stopa
Použité východiská a odborná revízia
- Google Machine Learning Glossary, underfitting
- scikit-learn, Validation curves and learning curves
Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.