Sous-ajustement
Un problème de modélisation où un système d'IA est trop simple pour capturer des modèles de données sous-jacents, ce qui entraîne de mauvaises performances à la fois en matière de formation et de nouvelles données.
Définition
Se produit lorsque la complexité du modèle (par exemple, trop peu de paramètres, régularisation trop forte) empêche l'apprentissage de véritables relations, ce qui entraîne de nombreuses erreurs d'entraînement et de validation. Les pratiques de gouvernance incluent la surveillance des pertes d'entraînement et de validation, la définition de seuils d'erreur acceptables et l'augmentation itérative de la capacité du modèle ou de la complexité des fonctionnalités jusqu'à ce que le sous-ajustement soit résolu, tout en veillant à ce que les modifications soient suivies et examinées via des portes de contrôle de version et de validation.
Exemple concret
Un modèle de prévision de la demande conçu sous la forme d'une simple régression linéaire montre une erreur de 10 % sur les données historiques et les données d'attente, ce qui indique un sous-ajustement. L'équipe ajoute de manière itérative des caractéristiques polynomiales et passe à un modèle de forêt aléatoire, réduisant ainsi le taux d'erreur à 3 % avant le déploiement.
.svg)
