noun
Le sous-apprentissage se produit lorsqu’un modèle d’apprentissage automatique est trop simple pour capturer les tendances dans les données d’entraînement, entraînant de mauvais résultats aussi bien sur les données d’entraînement que sur les données réelles.
Cela arrive généralement lorsque le modèle manque de complexité (par exemple, trop peu de paramètres ou des hypothèses trop rigides) ou lorsque l’entraînement est insuffisant. Par exemple, un modèle de régression linéaire appliqué à un ensemble de données non linéaires complexes sous-apprend.
Pour les praticiens, le sous-apprentissage signifie des ressources gaspillées—temps et puissance de calcul dépensés sur un modèle inefficace. Il oblige à augmenter la complexité du modèle, à collecter plus de données ou à affiner l’ingénierie des caractéristiques. Exemple concret : un assistant vocal basé sur un modèle de correspondance de mots-clés (sous-apprentissage) pourrait mal comprendre les requêtes complexes, nuisant à la satisfaction des utilisateurs.
Un modèle de génération d’images formé sur un petit jeu de données de 5 000 images produit des résultats flous, incapable de capturer les détails fins.
Dans les autres langues
- EN Underfitting
- ES Subajuste
- DE Unteranpassung
Voir aussi : Overfitting