قرمصيص للأخبار أخبار الذكاء الاصطناعي بالعربي
باختصار
الـ Underfitting بيحصل لما النموذج يكون بسيط أوي أو ما اتدرّبش كفاية، فما يقدرش يفهم الأنماط حتى في بيانات التدريب نفسها. أداءه بيكون ضعيف على كل حاجة — بيانات التدريب والبيانات الجديدة.
بالتفصيل
تخيّل إنك بتحاول تفهم مادة الفيزياء، بس بتقرأ العناوين بس من غير ما تفتح أي فصل. لما تيجي تحل أي سؤال — سواء من الكتاب أو من امتحان — مش هتعرف لأنك أصلًا ما فهمتش المادة. ده الـ Underfitting — النموذج ما اتعلّمش كفاية عشان يفهم حتى البيانات اللي اتدرّب عليها.
الـ Underfitting عكس الـ Overfitting تمامًا. في الـ Overfitting، النموذج بيحفظ أكتر من اللازم. في الـ Underfitting، النموذج ما بيتعلّمش حتى الأساسيات.
في أسباب كتير ممكن تؤدّي للـ Underfitting:
- النموذج بسيط أوي — زي إنك تستخدم خط مستقيم (Linear Model) عشان تمثّل بيانات منحنية
- عدد الـ Epochs أو دورات التدريب قليل — النموذج ما خدش وقت كفاية يتعلّم
- الـ Learning Rate عالي أوي — النموذج بيقفز فوق الحل المثالي بدل ما يوصله
- السمات (Features) اللي بتديها للنموذج مش كافية أو مش مفيدة
عشان تحل مشكلة الـ Underfitting، ممكن تزوّد تعقيد النموذج (تضيف طبقات أو خلايا عصبية أكتر)، أو تدرّبه لفترة أطول، أو تضيف سمات أكتر للبيانات، أو تقلّل الـ Regularization لو كانت قوية أوي. المهم إنك تلاقي التوازن بين البساطة والتعقيد — وده جوهر الـ Bias-Variance Tradeoff.
مثال عملي
لو بتبني نموذج يتنبّأ بدرجة حرارة القاهرة واستخدمت بس ساعة اليوم كـ Feature واحد مع نموذج خطي بسيط، النموذج مش هيقدر يفهم إن الحرارة بتتغيّر حسب الفصل والرطوبة وعوامل تانية كتير. هيطلعلك تنبّؤات غلط حتى على البيانات اللي اتدرّب عليها، لأنه أبسط من إنه يفهم العلاقة الحقيقية.
مصطلحات مرتبطة
- فرط التخصيص (Overfitting)
- التوازن بين التحيّز والتباين (Bias-Variance Tradeoff)
- معدّل التعلّم (Learning Rate)
- دورة تدريب (Epoch)
