Underfitting
En modell fanger ikke opp sammenhengene oppgaven trenger godt nok, og gir derfor svake prediksjoner.
Hva betyr underfitting?
Underfitting oppstår når en modell ikke fanger opp sammenhengene som trengs for oppgaven godt nok. Svake resultater kan da vise seg allerede på treningseksemplene. Mulige årsaker er uegnede inndataegenskaper, for liten modellkapasitet eller et lite egnet treningsopplegg. Undersøkelsen ser på trenings- og vurderingsresultater sammen med data, målangivelser og innstillinger. Et større datasett alene retter ikke automatisk den manglende gjengivelsen av sammenhengene.
Anta at en fiktiv modell for serviceplanlegging forutsier nesten samme arbeidstid for korte kontroller og omfattende reparasjoner. Teamet undersøker om arbeidstypen finnes som inndata, og om varighetene som brukes som målverdier, beskriver samme arbeidsomfang. Deretter kontrollerer det om den valgte modellformen og treningen kan fange opp de relevante forskjellene. For dette formålet sammenlignes egnede tilfeller fra treningen og fra en separat vurdering. Neste variant utvikles ut fra disse funnene i stedet for bare å sende flere eksempler inn i den uendrede prosessen.
Kilder
Beslektede begreper
- MaskinlæringModeller lærer mønstre fra data og bruker dem på nye inndata.
- LLM-evalueringLLM-evaluering tester modellutdata mot definerte oppgaver og kriterier. Ett godt enkelttilfelle dokumenterer ikke generell kvalitet.
- TreningsdataEksemplene som en modell lærer sammenhenger eller parametere fra under treningen.
- ValideringsdataData som brukes til å vurdere og velge modellvarianter under utviklingen.
- Testdata i maskinlæringData til avsluttende vurdering der resultatene ikke er brukt til å velge modellvarianten som vurderes.
- OverfittingFor sterk tilpasning til særtrekk i treningsdata som svekker modellens generalisering til nye eksempler.
Ditt prosjekt med ASES
Beskriv prosjektet ditt for oss. Vi tar kontakt med en første vurdering.