Sous-apprentissage

Que signifie le sous-apprentissage ?

Le sous-apprentissage survient lorsqu’un modèle ne capture pas suffisamment les relations nécessaires à sa tâche. Des résultats faibles peuvent alors apparaître dès les exemples d’entraînement. Des caractéristiques d’entrée inadaptées, une capacité de modèle insuffisante ou un entraînement mal conçu peuvent en être la cause. L’examen confronte les résultats d’entraînement et d’évaluation aux données, aux cibles et aux réglages. Un jeu de données plus grand ne corrige pas automatiquement la représentation insuffisante de ces relations.

Supposons qu’un modèle fictif de planification de service prévoie presque la même durée de travail pour des contrôles brefs et des réparations importantes. L’équipe examine si le type de travail figure en entrée et si les durées utilisées comme valeurs cibles décrivent le même périmètre de travail. Elle vérifie ensuite si la forme du modèle et l’entraînement peuvent saisir les différences pertinentes. Des cas adaptés de l’apprentissage et d’une évaluation séparée sont comparés. La variante suivante est développée à partir de ces constats, au lieu d’ajouter seulement des exemples au processus inchangé.

Sources

• Google · Machine Learning Glossary: ML Fundamentals