UnteranpassungEs bezieht sich auf die Situation, in der das Modell nicht gut zu den Trainingsdaten passt, und wird normalerweise verwendet, um die Lern- und Generalisierungsfähigkeiten des Modells zu bewerten.

Es gibt drei Situationen für Trainingsdaten und die Bewertung von Modellen: Unteranpassung, Anpassung und Überanpassung

Die Auswirkungen von Underfitting

Bei einfachen Modellen kommt es üblicherweise zu einer Unteranpassung, die die Datenbeziehung nicht widerspiegeln kann, was dazu führt, dass das maschinelle Lernmodell keinen geringen Trainingsfehler erzielen kann. Darüber hinaus können auch Faktoren wie zu wenige Funktionssätze, zu wenige Datensätze und unangemessene Stichprobendaten die Ursache sein.

Lösungen für Underfitting

• Finden Sie das optimale Gewichtsinitialisierungsschema.
• Verwenden Sie geeignete Aktivierungsfunktionen;
• Wählen Sie einen geeigneten Optimierer und eine geeignete Lernrate.

Verwandte Wörter: Anpassung, Überanpassung

Verweise

【1】https://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/model-fit-underfitting-vs-overfitting.html

【2】https://blog.ailemon.me/2018/04/09/deep-learning-the-ways-to-solve-underfitting/