Τι είναι το Underfitting;

Το Underfitting είναι ένα σφάλμα μοντελοποίησης όπου το μοντέλο είναι πολύ απλό για να καταγράψει τα υποκείμενα μοτίβα δεδομένων. Εμφανίζεται όταν ένας αλγόριθμος μηχανικής μάθησης δεν μπορεί να καθορίσει μαθηματικά μια σχέση μεταξύ των μεταβλητών εισόδου και της εξόδου-στόχου. Κατά συνέπεια, το μοντέλο παρουσιάζει υψηλά ποσοστά σφάλματος κατά την αρχική φάση εκπαίδευσης και παραμένει εξίσου ανακριβές κατά την αξιολόγηση νέων, μη γνωστών δεδομένων.

 

Ποιες είναι οι κύριες τεχνικές αιτίες του Underfitting ;

Το Underfitting προκαλείται συνήθως από την επιλογή ενός ακατάλληλου, υπερβολικά απλοϊκού αλγορίθμου για ένα σύνολο δεδομένων που περιέχει πολύπλοκες, μη γραμμικές σχέσεις. Εμφανίζεται επίσης όταν το μοντέλο παρέχεται με ανεπαρκείς μεταβλητές εισόδου (χαρακτηριστικά) ή όταν εφαρμόζονται μαθηματικά υπερβολικοί περιορισμοί κανονικοποίησης, γεγονός που αναγκάζει το μοντέλο να αγνοήσει σημαντική διακύμανση δεδομένων.

 

Πώς επηρεάζει το Underfitting την απόδοση του μοντέλου;

Ένα Underfitted μοντέλο παράγει σταθερά ανακριβείς προβλέψεις. Επειδή δεν καταφέρνει να μάθει τη διακύμανση στα δεδομένα εκπαίδευσης, η έξοδός του είναι ιδιαίτερα μεροληπτική. Υπολογίζει συστηματικά λανθασμένα αριθμητικές τιμές ή ταξινομεί λανθασμένα σημεία δεδομένων, καθιστώντας το μοντέλο άχρηστο για πρακτικές αναλυτικές εργασίες.

 

Πώς μπορεί ένας επιστήμονας δεδομένων να αναγνωρίσει ότι ένα μοντέλο είναι Underfit;

Ένας επιστήμονας δεδομένων εντοπίζει το Underfit υπολογίζοντας τυπικές μετρήσεις σφάλματος, όπως το μέσο τετραγωνικό σφάλμα (MSE) για παλινδρόμηση ή βαθμολογίες ακρίβειας για ταξινόμηση. Εάν το μοντέλο καταγράφει υψηλό ποσοστό σφάλματος στα ακριβή δεδομένα στα οποία εκπαιδεύτηκε, και παρόμοια κακές μετρήσεις στο σύνολο δεδομένων επικύρωσης, αυτό υποδεικνύει ότι ο αλγόριθμος δεν έχει μάθει καθόλου τη δομή δεδομένων.

 

Ποιες μέθοδοι και βιβλιοθήκες προγραμματισμού χρησιμοποιούνται για την αποτροπή ή τη διόρθωση του Underfitting;

Για να επιλυθεί το Underfitting, ένας επιστήμονας δεδομένων πρέπει να αυξήσει την πολυπλοκότητα του μοντέλου. Αυτό επιτυγχάνεται επιλέγοντας έναν πιο προηγμένο αλγόριθμο, μειώνοντας τις μαθηματικές παραμέτρους κανονικοποίησης ή εκτελώντας μηχανική χαρακτηριστικών για να εξαγάγει πιο σχετικές μεταβλητές εισόδου από τα ακατέργαστα δεδομένα. Στην Python, οι επαγγελματίες χρησιμοποιούν συνήθως τη βιβλιοθήκη scikit-learn για να μεταβούν από βασικά γραμμικά μοντέλα σε πιο σύνθετες δομές όπως Decision Trees ή Random Forests. Εναλλακτικά, εφαρμόζουν αλγόριθμους ενίσχυσης κλίσης χρησιμοποιώντας τη βιβλιοθήκη xgboost, η οποία έχει σχεδιαστεί δομικά για να καταγράφει εξαιρετικά πολύπλοκα μοτίβα δεδομένων.

 

Πώς παρατηρείται το Underfitting σε ένα πρακτικό σενάριο Επιστήμης Δεδομένων;

Σκεφτείτε ένα έργο μηχανικής μάθησης που έχει σχεδιαστεί για να προβλέπει τα αποτελέσματα αγώνων της Αγγλικής Premier League. Εάν το μοντέλο κατασκευάζεται χρησιμοποιώντας μόνο μία μεταβλητή εισόδου, όπως τα συνολικά γκολ που σημειώθηκαν από μια ομάδα την προηγούμενη σεζόν, και βασίζεται σε έναν βασικό αλγόριθμο γραμμικής παλινδρόμησης, θα υποπροσαρμοστεί. Αποτυγχάνει εντελώς να λάβει υπόψη τις πολλαπλές μεταβλητές που υπαγορεύουν το αποτέλεσμα ενός αγώνα, όπως οι τρέχουσες βαθμολογίες ELO της ομάδας, τα στατιστικά στοιχεία κατοχής ανά παιχνίδι και η διαθεσιμότητα συγκεκριμένων παικτών. Ως αποτέλεσμα, οι προβλέψεις νίκης/ήττας του μοντέλου θα είναι στατιστικά ανακριβείς τόσο για τα ιστορικά δεδομένα προπόνησης όσο και για τους μελλοντικούς αγώνες.