Sous-adaptation

L'underfitting est un terme utilisé en apprentissage automatique et en informatique pour décrire un modèle trop simpliste pour refléter correctement les données sous-jacentes. Dans le domaine de l'apprentissage automatique, un modèle sous-adapté est un modèle dont la précision prédictive est insuffisante et qui n'est pas en mesure d'identifier avec précision des modèles dans les données.

L'insuffisance d'ajustement est un problème courant, tant dans l'apprentissage supervisé que dans l'apprentissage non supervisé. Dans l'apprentissage supervisé, l'insuffisance d'ajustement se produit lorsqu'un modèle utilise trop peu de caractéristiques pour prédire avec précision sur la base des données d'apprentissage. Il en résulte un modèle dont la précision prédictive est médiocre, tant pour les données d'apprentissage que pour les nouvelles données. En revanche, le problème inverse, la surexplication, se produit lorsqu'un modèle utilise trop de caractéristiques pour expliquer les données.

Dans l'apprentissage non supervisé, il y a sous-adaptation lorsqu'un modèle n'est pas en mesure d'identifier la structure sous-jacente des données. Cela peut se produire lorsque le modèle est trop simple, a trop peu de paramètres ou n'est pas en mesure de générer les points de données nécessaires pour s'adapter correctement aux données.

L'insuffisance d'ajustement résulte d'un manque de données, d'un nombre insuffisant de caractéristiques, d'un modèle trop simple ou d'un nombre insuffisant de paramètres. Il est important d'éviter le sous-ajustement lors de la construction d'un modèle prédictif, car il peut entraîner une mauvaise précision de la prédiction. La meilleure façon d'éviter le sous-ajustement est d'utiliser un modèle qui peut identifier avec précision des modèles dans les données et qui possède suffisamment de caractéristiques pour faire des prédictions précises. Pour ce faire, on peut utiliser plus de variables, plus de points de données, des couches supplémentaires dans le modèle ou une architecture de modèle plus complexe. En outre, les techniques de régularisation peuvent également contribuer à réduire l'effet de l'ajustement insuffisant.