nedostatečné přizpůsobení modelu | AI slovník

Odborná definice

Underfitting je stav, když model nedokáže dostatečně zachytit vztahy prítomné ani v tréninkových datech. Prejavuje se vysokou tréninkovou chybou a obvykle i slabým validačným výkonem. Príčinou může být příliš jednoduchá hypotéza, nedostatečný počet tréninkových kroků, silná regularizace, nevhodné příznaky, chybná optimalizace nebo cíl, který neodpovídá úloze. Nejde pouze o nízký počet parametrů, protože i velký model může zůstat underfit při zlom nastavení nebo nekvalitnom signále. Diagnostika má zahrnovat jednoduchý baseline, aby se odlíšila slabá kapacita od chyby v datové nebo metrickej pipeline.

Srozumitelné vysvětlení

Pokud se model učí ceny bytů pouze z počtu izieb, ignoruje lokalitu, stav a rozlohu. Může se mýliť i na příkladech, které už videl, protože jeho reprezentace je příliš chudobná. Podobně dopadne neuronová síť, kterou trénink zastaví priskoro nebo ji regularizace drží příliš blízko nulovým váham. Underfitting se proto řeší nejen večším modelem, ale i lepšími daty, príznakmi, dlhším tréninkem, vhodnejšou loss a kontrolou, zda se gradient skutečně přenáší. Pokud model nedokáže preučit ani malou čistou vzorek, problém bývá často v implementaci, optimalizaci nebo nesprávném cílí.

Časté otázky

Jak se underfitting rozpozná z learning curves?

Tréninková i validační chyba zůstávají vysoké a často jsou si relativně blízké. Pridání dalších podobných dat nemusí pomoci, zatímco se nezvýši schopnost modelu.

Může underfitting způsobit příliš silná regularizace?

Ano. Velká penalizace váh, agresívny dropout nebo nadmerná augmentace mohou potlačit i užitečný signál a snížit výkon na tréninku.

Pomůže vždy zvečšení modelu?

Ne. Pokud je problém v chybných štítcích, nevhodném cílí, optimalizátore nebo chybějícím príznaku, více parametrů může pouze zvýšit náklady bez zlepšení.

Je nízká training accuracy důkazem underfittingu?

Je to silný signál, ale je třeba skontrolovat i náhodný baseline, vyváženost tříd, správnost metriky a to, či tréninkový pipeline používá zamýšlané data.

Jak se underfitting liší od overfittingu?

Při underfittingu je slabý už tréninkový výkon. Při overfittingu model trénink zvláda výrazně lépe než nové data, protože se prispůsobil i šumu nebo detailom vzorku.

Související pojmy

Zdroje a redakční stopa

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.