غير مناسب

Underfitting هو مصطلح يستخدم في التعلم الآلي وعلوم الكمبيوتر لوصف نموذج مبسط للغاية بحيث لا يعكس البيانات الأساسية بدقة. في التعلم الآلي، النموذج غير المناسب هو النموذج الذي لا يتمتع بدقة تنبؤية كافية وغير قادر على تحديد الأنماط في البيانات بدقة.

يعد عدم الملائمة مشكلة شائعة في كل من التعلم الخاضع للإشراف وغير الخاضع للإشراف. في التعلم الخاضع للإشراف، يحدث القصور عندما يستخدم النموذج عددًا قليلاً جدًا من الميزات للتنبؤ بدقة بناءً على بيانات التدريب. والنتيجة هي نموذج ذو دقة تنبؤية ضعيفة لكل من بيانات التدريب وأي بيانات جديدة. في المقابل، المشكلة المعاكسة، الإفراط في التفسير، تحدث عندما يستخدم النموذج الكثير من الميزات لشرح البيانات.

في التعلم غير الخاضع للرقابة، يحدث القصور عندما يكون النموذج غير قادر على تحديد البنية الأساسية للبيانات. قد يحدث هذا عندما يكون النموذج بسيطًا جدًا، أو يحتوي على عدد قليل جدًا من المعلمات أو غير قادر على إنشاء نقاط البيانات اللازمة لملاءمة البيانات بشكل صحيح.

يحدث النقص في المطابقة نتيجة لقلة البيانات أو عدد قليل جدًا من الميزات أو نموذج بسيط جدًا أو عدد قليل جدًا من المعلمات. من المهم منع النقص في المطابقة عند بناء نموذج تنبؤي، حيث يمكن أن يؤدي ذلك إلى ضعف دقة التنبؤ. أفضل طريقة لمنع عدم المطابقة هي استخدام نموذج يمكنه التقاط الأنماط في البيانات بدقة ولديه ميزات كافية لإجراء تنبؤات دقيقة. يمكن القيام بذلك عن طريق استخدام المزيد من المتغيرات، أو المزيد من نقاط البيانات، أو طبقات إضافية في النموذج، أو بنية نموذج أكثر تعقيدًا. بالإضافة إلى ذلك، يمكن أن تساعد تقنيات التنظيم أيضًا في تقليل تأثير عدم المطابقة.