Underfitting nedir?

Bu derste makine öğrenmesinin iki temel başarısızlık biçiminden biri olan underfitting (eksik öğrenme) kavramını sıfırdan işliyoruz: nedir, nasıl anlaşılır, neden olur ve nasıl giderilir? Konuyu sade örneklerle anlatıyor, sık yapılan yanılgıları da ayrı bir bölümde topluyoruz. Alana genel bakış için Yapay Zekâ dersleri sayfamıza, temel kavramlar için makine öğrenmesi nedir? dersimize göz atabilirsin.

Underfitting Nedir?

Underfitting, bir makine öğrenmesi modelinin eğitildiği veriyi bile yeterince öğrenememesi durumudur. Model, verideki gerçek örüntüleri yakalayacak kadar yetenekli değildir; yani kapasitesi görev için fazla düşüktür. Bunun sonucunda model hem eğitim verisinde hem de hiç görmediği yeni verilerde düşük performans gösterir. İstatistik dilinde bu tabloya yüksek yanlılık (high bias) denir.

Günlük hayattan bir benzetme yapalım: Sınava hazırlanırken konuyu hiç çalışmamış bir öğrenci düşün. Bu öğrenci hem alıştırma sorularında hem de gerçek sınavda başarısız olur. Underfit olan model de “az çalışmış” öğrenci gibidir; ne eğitim verisinde ne test verisinde başarılıdır. Eğitim ve test ayrımını henüz görmediysen eğitim ve test verisi dersinden devam edebilirsin.

Underfitting Nasıl Anlaşılır?

Teşhis, modelin performansına iki farklı veri kümesi üzerinden bakılarak yapılır: modeli eğittiğimiz eğitim verisi ve onu hiç görmediği test verisi. Ölçüm tekniklerinin tamamı için model değerlendirme dersimize bakabilirsin. Underfitting'in tipik belirtileri şunlardır:

• Eğitim başarısı düşüktür: Model, kendisine tanıdık gelen örneklerde bile hata yapar.
• Test başarısı da düşüktür: İki skor birbirine yakındır ama ikisi de kötüdür.
• Tahminler “kabadır”: Örneğin fiyatı etkileyen faktörlerin açıkça eğrili bir ilişki kurduğu bir regresyon probleminde model, bu eğriyi tek bir düz çizgiyle özetliyorsa underfit olmuştur.
• Model ince ayrımları atlar: Sınıflar arasındaki küçük farkları göremez; neredeyse her girdiye benzer bir cevap üretir.

Underfitting ile Overfitting Arasındaki Fark Nedir?

Bu iki sorun, ideal uyumun iki zıt yönündeki sapmalardır. Overfitting'in ayrıntıları için overfitting nedir? dersimize bakabilirsin. Üç durumu yan yana koyalım:

• Underfitting (eksik öğrenme): Eğitim skoru düşük, test skoru düşük. Sebep: fazla basit model. Tanısı: yüksek yanlılık (bias).
• Overfitting (aşırı öğrenme): Eğitim skoru çok yüksek, test skoru düşük. Sebep: veriyi ezberleyen fazla karmaşık model. Tanısı: yüksek varyans (variance).
• İyi uyum (good fit): Eğitim ve test skorları tatmin edici düzeyde ve birbirine yakındır.

Pratik bir kısa test: Eğitim skoru da test skoru da kötüyse ilk şüphen underfitting olsun; eğitim çok iyi ama test belirgin biçimde kötüyse overfitting'i araştır.

Underfitting Neden Olur?

Kökeninde çoğu zaman modelin görev için fazla basit olması yatar; ama tek sebep bu değildir:

• Fazla basit model: Doğrusal olmayan bir ilişkiyi yalnızca doğrusal bir modelle öğrenmeye çalışmak.
• Yetersiz öznitelikler: Modele verilen girdiler (features) sorunu ayırt etmeye yetmiyordur.
• Aşırı düzenlileştirme: Overfitting'den korunmak için sıkılan kısıtlar (ceza katsayısı, ağaç derinlik sınırı) bu kez modeli felç eder.
• Çok erken durdurulan eğitim: Az sayıda epoch ya da iterasyonla eğitim yarıda kesilir.
• Gürültülü veri: Veri içindeki hatalar, gerçek örüntünün üstünü örter.

Güncel bir not: 2024-2025 döneminde yaygınlaşan büyük önceden eğitilmiş modellerde underfitting, overfitting kadar sık görülmez; ancak küçük veri kümelerinde, telefon gibi cihazlarda çalışan hafif modellerde ve ince ayar (fine-tuning) sırasında çok az adım ya da çok güçlü kısıt kullanıldığında hâlâ sık karşılaşılan bir problemdir.

Underfitting Nasıl Giderilir?

Amacımız, modelin öğrenme kapasitesini artırmak ve önünde öğrenmesine engel olan kısıtları kaldırmaktır:

• Daha yetenekli bir model seç: Doğrusal model yerine daha derin karar ağaçları ya da gradyan artırma (gradient boosting) ailesinden yöntemler dene.
• Öznitelik mühendisliği yap: Yeni ve anlamlı değişkenler ekle; değişkenler arası etkileşimleri modele ver.
• Düzenlileştirmeyi hafiflet: Ceza katsayısını küçült, derinlik veya düğüm sayısı sınırlarını gevşet.
• Eğitimi uzat: Epoch/iterasyon sayısını artır; erken durdurma kuralını çok agresif ayarlama.
• Veriyi temizle ve çeşitlendir: Gürültüyü azalt, mümkünse daha fazla ve daha çeşitli veri topla.

Derin öğrenme tarafında çözüm çoğu zaman modeli büyütmek ve eğitimi uzatmaktır; derin öğrenme nedir? dersi bu modellerin nasıl çalıştığına giriş yapar. Yalnız kapasiteyi artırmak her derde deva değildir: Model büyüdükçe overfitting riski de artar. Bu iki risk arasındaki dengeye bias-variance dengesi denir ve modelleme sürecinin asıl sanatı burada yatar.

Sık Yapılan Hatalar ve Yanılgılar

Underfitting öğrenirken en çok düşülen tuzaklar şunlardır:

• “Eğitim skoru düşükse model overfit olmuştur” demek: Tam tersidir; düşük eğitim skoru underfitting'in işaretidir. Overfitting'de eğitim skoru yüksektir.
• Overfitting ilacını yanlış hastaya vermek: Underfit olan modele ek düzenlileştirme, daha basit model ya da daha az öznitelik uygulamak sorunu büyütür.
• Yalnızca eğitim başarısına bakıp karar vermek: Değerlendirme her zaman ayrı tutulmuş doğrulama/test verisiyle yapılmalıdır.
• “Model ne kadar karmaşıksa o kadar iyidir” sanmak: Kapasite, verinin ihtiyacı kadar olmalıdır; fazlası ezberleme, eksiği eksik öğrenme getirir.
• Yanılmayı yanlış adlandırmak: Underfitting yüksek yanlılıkla (bias), overfitting yüksek varyansla (variance) ilişkilidir; iki terimi birbirinin yerine kullanmak teşhisi şaşırtır.

Özetle underfitting, modelin “dersine çalışmamış” hâlidir. Belirtileri tanındığında teşhisi kolaydır: her iki veri kümesinde de düşük skor görüyorsan modeli güçlendir, kısıtları gevşet ve yeniden değerlendir.