noun
Unteranpassung tritt auf, wenn ein maschinelles Lernmodell zu einfach ist, um die zugrunde liegenden Muster in den Trainingsdaten zu erfassen, was zu schlechter Leistung sowohl in den Trainingsdaten als auch in der realen Welt führt.
Dies geschieht typischerweise, wenn das Modell zu wenig Komplexität aufweist (z. B. zu wenige Parameter oder zu starre Annahmen) oder wenn das Training unzureichend ist. Beispiel: Ein lineares Regressionsmodell, das auf komplexe, nichtlineare Daten angewendet wird, unterpasst.
Für Praktiker bedeutet Unteranpassung verschwendete Ressourcen—Zeit und Rechenleistung, die für ein Modell aufgewendet werden, das nicht generalisiert. Sie zwingt Entwickler, die Modellkomplexität zu erhöhen, mehr Daten zu sammeln oder die Merkmalsengineering zu verfeinern. Ein reales Beispiel: Ein Sprachmodell, das auf einem einfachen Keyword-Matching-Modell (Unteranpassung) basiert, könnte komplexe Anfragen nicht verstehen, was das Nutzervertrauen kostet.
Ein Bildgenerierungsmodell, das mit nur 10.000 Bildern trainiert wurde, erzeugt unscharfe Ergebnisse und kann feine Details nicht erfassen.
In anderen Sprachen
Siehe auch: Overfitting