Tanım
Underfitting, bir makine öğrenimi modelinin eğitim verisindeki temel örüntüleri yeterince öğrenememesi durumudur. Türkçede eksik uyum olarak açıklanabilir.
Underfitting yaşayan model, hem eğitim verisinde hem de yeni test verisinde düşük performans gösterir. Bu durum modelin problemi yeterince temsil edemediğini veya öğrenme kapasitesinin yetersiz kaldığını gösterir.
Çok basit model seçimi, yetersiz feature, eksik eğitim, yanlış hiperparametreler, düşük veri kalitesi veya fazla regularization underfitting’e neden olabilir.
Kökeni
Underfitting kavramı, istatistiksel modelleme ve makine öğreniminde model karmaşıklığı dengesinden doğmuştur. Amaç, modelin verideki gerçek sinyali öğrenmesi ama gürültüyü ezberlememesidir.
Model çok basit olduğunda verideki ilişkiyi yakalayamaz. Örneğin doğrusal olmayan bir problemi çok basit doğrusal modelle çözmeye çalışmak underfitting yaratabilir.
Makine öğreniminde underfitting ve overfitting, modelin genelleme kapasitesini anlamak için birlikte değerlendirilir. İyi model, eğitim verisini yeterince öğrenir ve yeni veriye genelleyebilir.
Nerelerde Kullanılır?
Underfitting; classification, regression, churn prediction, lead scoring, forecasting, recommendation system, NLP ve computer vision modellerinde karşılaşılabilen temel modelleme problemidir.
Bir satış tahmin modeli, sezon etkisi, kampanya etkisi ve fiyat değişimlerini hiç yakalayamıyorsa çok basit kalmış olabilir. Bu durumda underfitting riski vardır.
Growth analitiğinde underfitting, modelin kullanıcı davranışlarını yeterince açıklayamaması ve aksiyon alınabilir tahmin üretememesi anlamına gelebilir.
Örnek Kullanım
Bir model eğitim verisinde yüzde 55, test verisinde yüzde 54 doğruluk veriyorsa ve problem daha yüksek performans potansiyeli taşıyorsa underfitting olabilir.
Bir data scientist, “Model hem train hem test setinde kötü; underfitting’i azaltmak için daha güçlü feature ve model deneyelim” diyebilir.
Karıştırılan Kavramlar
- Underfitting ve Overfitting: Underfitting modelin yeterince öğrenememesidir. Overfitting modelin eğitim verisini fazla ezberlemesidir.
- Underfitting ve Bias: Underfitting genellikle yüksek bias problemiyle ilişkilidir. Bias daha geniş sistematik hata kavramıdır.
- Underfitting ve Data Quality: Data Quality veri kalitesidir. Düşük veri kalitesi underfitting’e katkı sağlayabilir.
- Underfitting ve Model Drift: Model Drift zamanla performans kaybıdır. Underfitting eğitim aşamasındaki yetersiz öğrenme problemidir.
İlgili Terimler
- Overfitting
- Model Evaluation
- Machine Learning
- Training Data
- Test Data
- Bias
- Feature Engineering
- Regularization
- Generalization
Büyüme Mimarisi Notu
Underfitting, büyüme mimarisinde modelin iş problemini yeterince öğrenemediği durumu gösterir. Böyle modeller karar desteği sağlamak yerine yüzeysel sonuçlar üretir.
AI destekli growth sistemlerinde model başarısı yalnızca karmaşıklıkla değil, doğru feature, yeterli veri, uygun algoritma ve düzenli değerlendirmeyle sağlanır.