İçeriğe geç
parazade
Yapay Zeka

Eksik Öğrenme (Underfitting) Nedir?

İngilizce: Underfitting

Yayın: · Son güncelleme:

Eksik Öğrenme (Underfitting) Nedir? Kısaca

Eksik öğrenme (underfitting), bir modelin verideki temel kalıpları yakalayamayacak kadar basit kalması ya da yetersiz eğitilmesi nedeniyle hem eğitim hem de yeni verilerde düşük başarı göstermesidir.

Eksik Öğrenme nedir?
İçindekiler
  1. Nasıl anlaşılır?
  2. Neden olur?
  3. Nasıl giderilir?
  4. Doğru dengeyi bulmak

Eksik öğrenme (underfitting), modelin verideki ilişkiyi yeterince öğrenemediği durumdur. Konuya hiç çalışmamış öğrenci gibi, model hem bildiği hem de bilmediği sorularda başarısız olur. Aşırı öğrenmenin tersidir.

Nasıl anlaşılır?

  • Eğitim verisinde bile hata yüksektir.
  • Doğrulama ve test verisindeki hata da benzer şekilde yüksektir.
  • Eğitim ilerledikçe hata çok az iyileşir ya da hiç iyileşmez.

Varsayımsal örnek: Ev fiyatları metrekare, konum ve bina yaşına karmaşık biçimde bağlıyken yalnızca metrekareye bakan düz bir çizgiyle tahmin yapmak, eksik öğrenmeye yol açar. Model hem eğitim evlerinde hem de yeni evlerde kaba hatalar yapar.

Neden olur?

  • Modelin görev için çok basit olması (az parametre, yetersiz katman)
  • Önemli özelliklerin eksik olması (fiyatı etkileyen değişkenlerin veride bulunmaması)
  • Çok kısa eğitim (yetersiz epoch)
  • Çok yüksek düzenlileştirme, yani modelin aşırı kısıtlanması
  • Uygun olmayan öğrenme oranı gibi hatalı ayarlar

Nasıl giderilir?

  1. Daha güçlü ya da esnek bir model kullanmak
  2. Daha anlamlı özellikler eklemek
  3. Eğitimi uzatmak
  4. Düzenlileştirmeyi azaltmak
  5. Hiperparametreleri yeniden ayarlamak

Doğru dengeyi bulmak

Amaç, modelin ne ezberlemesi ne de yüzeysel kalmasıdır. Bu dengeye literatürde sapma-varyans dengesi (bias-variance trade-off) denir: Çok basit modelin sapması, çok karmaşık modelin varyansı yüksektir. Doğrulama verisini izlemek bu dengeyi bulmanın en pratik yoludur.

Sıkça Sorulan Sorular

Eksik öğrenme mi aşırı öğrenme mi daha yaygın?

Günümüzün büyük ve güçlü modellerinde aşırı öğrenme daha sık karşılaşılan sorundur. Eksik öğrenme ise genellikle çok basit modeller, eksik özellikler veya yetersiz eğitimle ortaya çıkar.

Eksik öğrenmeyi düzeltmek için sadece daha fazla veri yeterli mi?

Genellikle hayır. Sorun modelin kapasitesi veya eksik özelliklerse, daha fazla veri tek başına yardımcı olmaz; modeli güçlendirmek veya anlamlı özellikler eklemek gerekir.

İlgili terimler

Aşırı Öğrenme(Overfitting)Aşırı öğrenme (overfitting), bir modelin eğitim verisindeki genel kalıplar yerine gürültü ve ayrıntıları ezberlemesi sonucu eğitimde çok başarılı, yeni verilerde ise zayıf sonuç vermesidir.Hiperparametre(Hyperparameter)Hiperparametre, model eğitimi başlamadan önce insan tarafından belirlenen ve öğrenme sürecini yöneten ayarlardır; öğrenme oranı, batch size ve epoch sayısı en bilinen örnekleridir.Model Değerlendirme(Model Evaluation)Model değerlendirme (model evaluation), bir yapay zekâ modelinin belirli bir görevdeki başarısını, güvenilirliğini, adaletini ve güvenliğini; test verileri, metrikler, karşılaştırma testleri ve insan incelemesiyle ölçme sürecidir.Öğrenme Oranı(Learning Rate)Öğrenme oranı, gradyan inişi sırasında model parametrelerinin her adımda ne kadar büyük miktarda değiştirileceğini belirleyen ve eğitimin başarısını en çok etkileyen hiperparametrelerden biridir.Görüntü Tanıma(Image Recognition)Görüntü tanıma (image recognition), bir yapay zekâ sisteminin fotoğraf ya da videodaki nesneleri, yüzleri, hayvanları, yazıları veya sahneleri tespit edip tanımlamasıdır. Bilgisayarlı görünün temel görevlerinden biridir.Yapay Zekâ Okuryazarlığı(AI Literacy)Yapay zekâ okuryazarlığı (AI literacy), yapay zekânın temel olarak nasıl çalıştığını anlama, araçları amaca uygun ve güvenli biçimde kullanma, çıktılarını eleştirel değerlendirme ve etik riskleri fark etme becerilerinin bütünüdür.