Qu'est-ce que le sous-apprentissage ?

Qu'est-ce que le sous-apprentissage ?

Le sous-apprentissage se produit lorsqu'un modèle est trop simple ou pas assez entraîné, ce qui l'empêche d'apprendre des motifs importants dans les données. En conséquence, il obtient de mauvais résultats tant sur les données d'entraînement que sur les nouvelles données.

C'est comme essayer d'apprendre une langue en n'utilisant que cinq mots : vous ne savez pas assez pour comprendre ou répondre correctement.

Pourquoi le sous-apprentissage est important

• Mauvaise précision d'entraînement : Le modèle ne peut même pas comprendre les données qu'il voit.
• Mauvais résultats dans le monde réel : Les prédictions restent de mauvaise qualité et peu fiables.
• Structure de modèle trop simple : Les caractéristiques essentielles sont ignorées.

Signes de sous-apprentissage

• Précision faible tant sur les données d'entraînement que sur les données de test.
• Architecture de modèle très petite manquant de couches ou de complexité.
• Temps d'entraînement insuffisant ou pas assez d'époques.

Comment corriger le sous-apprentissage

• Augmenter la complexité du modèle (plus de couches ou de paramètres).
• S'entraîner plus longtemps pour permettre un apprentissage plus approfondi.
• Utiliser des caractéristiques plus significatives ou de meilleures données d'entraînement.
• Réduire la régularisation afin que le modèle puisse apprendre plus de détails.