Underfitting
En model opfanger ikke de nødvendige sammenhænge i opgaven tilstrækkeligt og giver derfor svage forudsigelser.
Hvad betyder underfitting?
Underfitting opstår, når en model ikke opfanger de nødvendige sammenhænge i opgaven tilstrækkeligt. Svage resultater kan da allerede vise sig på træningseksemplerne. Mulige årsager er uegnede inputegenskaber, for lille modelkapacitet eller uhensigtsmæssig træning. Undersøgelsen ser på trænings- og vurderingsresultater sammen med data, målangivelser og indstillinger. Et større datasæt alene retter ikke automatisk den manglende gengivelse af sammenhængene.
Antag, at en fiktiv model til serviceplanlægning forudsiger næsten samme arbejdstid for korte kontroller og omfattende reparationer. Teamet undersøger, om arbejdstypen er tilgængelig som input, og om de varigheder, der bruges som målværdier, beskriver samme arbejdsomfang. Derefter kontrolleres det, om den valgte modelform og træningen kan opfange de relevante forskelle. Egnede tilfælde fra læring og særskilt vurdering sammenlignes til dette formål. Næste variant udvikles ud fra disse fund i stedet for blot at sende flere eksempler ind i det uændrede forløb.
Kilder
Relaterede begreber
- MaskinlæringModeller lærer mønstre fra data og bruger dem på nye input.
- LLM-evalueringLLM-evaluering undersøger modeloutput efter definerede opgaver og kriterier. Et godt enkeltstående eksempel dokumenterer ikke generel kvalitet.
- TræningsdataDe eksempler, som en model lærer sammenhænge eller parametre fra under træningen.
- ValideringsdataData til at vurdere og vælge modelvarianter under udviklingen.
- Testdata i maskinlæringData til afsluttende vurdering, hvis resultater ikke er brugt til at vælge den vurderede modelvariant.
- OverfittingEn for stærk tilpasning til særlige træk i træningsdata, som forringer modellens generalisering til nye eksempler.
Dit projekt med ASES
Beskriv dit projekt for os. Vi vender tilbage med en første vurdering.