Sous-ajustementIl fait référence à la situation dans laquelle le modèle ne correspond pas bien aux données de formation et est généralement utilisé pour évaluer les capacités d'apprentissage et de généralisation du modèle.
Il existe trois situations pour l'entraînement des données et l'évaluation des modèles : le sous-ajustement, l'ajustement et le sur-ajustement.
L'impact du sous-ajustement
Le sous-ajustement se produit généralement dans les modèles simples, qui ne peuvent pas refléter la relation entre les données, ce qui fait que le modèle d'apprentissage automatique est incapable d'obtenir une faible erreur d'apprentissage. En outre, cela peut également être dû à des facteurs tels qu’un nombre insuffisant d’ensembles de fonctionnalités, un nombre insuffisant d’ensembles de données et des données d’échantillonnage déraisonnables.
Solutions au sous-ajustement
- Trouver le schéma d’initialisation de poids optimal ;
- Utiliser les fonctions d’activation appropriées ;
- Choisissez un optimiseur et un taux d’apprentissage appropriés.
Mots apparentés : ajustement, surajustement
Références
【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/