Underfitting (Eksik Öğrenme)

battery_alert Neden Meydana Gelir?

Eksik öğrenme genellikle modelin verideki ilişkileri kavrayamayacak kadar 'basit' olmasından kaynaklanır. Örneğin, bir insanın yaşını yüzündeki kırışıklıklar, saç rengi, cilt dokusu gibi binlerce piksel detayından tahmin etmeniz gerekirken, çok basit bir doğrusal regresyon (Linear Regression) kullanırsanız, model bu karmaşıklığı kavrayamaz ve underfit olur.

Çözüm Yolları

Bias-Variance Dengesi: Underfitting ve Overfitting Arasında

Makine öğrenmesinde model karmaşıklığı ile genelleme yeteneği arasındaki ilişkiyi bias-variance dengesi (trade-off) ile açıklarız. Underfitting yüksek bias bölgesine karşılık gelir: model hem eğitim hem test setinde kötü performans gösterir; veriyi açıklamak için yeterince karmaşık değildir. Overfitting ise yüksek varyans bölgesidir: model eğitim setini ezberler ama yeni verilere genelleyemez. İdeal nokta, düşük bias ve düşük varyanstır. Buna ulaşmanın yolları: model kapasitesini artırmak (underfitting'i giderir), düzenleme (regularization) ve daha fazla veri kullanmak (overfitting'i giderir). Doğrulama eğrisi (validation curve), eğitim süreci boyunca modelin hangi bölgede olduğunu görselleştirmek için standart araçtır.

Underfitting Pratik Örnekleri

• check_circle Doğrusal Regresyon ile Doğrusal Olmayan Veri: Satış tahmininde mevsimsel dalgalanmalar ve çok faktörlü ilişkiler varken yalnızca tek değişkenli doğrusal regresyon kullanmak klasik underfitting örneğidir. Model veriyi açıklayamaz; tahminler gerçek değerlerden sistematik biçimde sapma gösterir.
• check_circle Karar Ağacı Derinlik Kısıtı: max_depth=1 veya 2 gibi aşırı kısıtlı karar ağacı çok az dal oluşturur ve veriyi yeterince bölemez. Hem eğitim hem test setinde düşük doğruluk görülür. Derinliği artırmak ya da ensemble yöntemlere (random forest) geçmek çözüm sağlar.
• check_circle Yetersiz Eğitim Süresi (Epoch): Derin sinir ağını çok az epoch ile eğitmek underfitting'e yol açar: model henüz veriyi öğrenmeden eğitim durduğundan hem eğitim hem doğrulama kaybı hâlâ yüksektir ve her ikisi de düşme eğilimindedir. Eğitimi uzatmak veya öğrenme hızını artırmak bu durumda yardımcı olur.

Underfitting Belirtileri ve Teşhis Yöntemleri

• check_circle Düşük Eğitim Skoru: Hem eğitim seti hem test seti hata oranı yüksekse model underfitting yapıyor demektir. Overfitting'ten farkı: overfitting'de eğitim skoru yüksekken test skoru düşüktür; underfitting'de her ikisi de düşüktür.
• check_circle Öğrenme Eğrisi Analizi: Veri miktarı artırıldıkça model hâlâ iyileşmiyorsa sorun modelin kapasitesidir, veri eksikliği değil. Öğrenme eğrisinde (learning curve) eğitim ve doğrulama kaybı yüksek bir platoda buluşuyorsa underfitting işaretidir.
• check_circle Aşırı Basit Model Seçimi: Doğrusal bir problem için doğrusal model idealken, karmaşık doğrusal olmayan bir probleme doğrusal regresyon uygulamak underfitting'in tipik sebebidir. Model seçimini validation performansıyla yönlendirmek bu hatayı önler.

Underfitting Nedenleri ve Teşhis Yöntemleri

• check_circle Model Kapasitesi Yetersizliği: Doğrusal model karmaşık doğrusal olmayan ilişkileri öğrenemez. Sığ karar ağacı (derinlik 2-3) zengin örüntüleri yakalayamaz. Çözüm: daha derin ağ, daha fazla nöron veya daha karmaşık mimari seç.
• check_circle Yetersiz Eğitim: Epoch sayısı az olduğunda model veriden yeterince öğrenemez. Training loss'un hâlâ düşmekte olduğu durumda eğitimi erken sonlandırmak underfitting'e yol açar. Çözüm: training loss ve validation loss eğrilerini izle; her ikisi de platoya ulaşana kadar devam et.
• check_circle Aşırı Düzenleme (Over-regularization): L1/L2 düzenleme katsayısı çok büyük seçilirse model ağırlıklarını sıfıra yaklaştırır ve öğrenemez hale gelir. Dropout oranı çok yüksekse (örn. %80) yeterli bilgi iletimi olmaz. Çözüm: regularization katsayısını azalt veya dropout'u kaldır.
• check_circle Yetersiz veya Kalitesiz Özellikler: Giriş özellikleri hedef değişkeni açıklamaya yetmiyorsa hiçbir model başarılı olamaz. Özellik mühendisliği veya daha zengin veri kaynağı gereklidir. Normalize edilmemiş veya hatalı veriler de underfitting'e katkıda bulunur.

Bias-Variance Tradeoff: Underfitting ve Overfitting Dengesi

Makine öğrenmesinde bias-variance ikilemi temel bir dengeyi ifade eder. Yüksek bias (underfitting): model çok basit; hem eğitim hem test hatası yüksek. Yüksek varyans (overfitting): model çok karmaşık; eğitim hatası düşük ama test hatası yüksek. İdeal model: hem bias hem varyans düşük — bu 'tatlı nokta' doğru model kapasitesi, yeterli veri ve uygun düzenleme ile bulunur. Öğrenme eğrisi (learning curve) teşhis aracı olarak kullanılır: eğitim ve validation loss çizilir; büyük fark → overfitting; her ikisi de yüksek → underfitting.

Sıkça Sorulan Sorular

• check_circle Underfitting nedir?: Underfitting (yetersiz uyum), bir makine öğrenmesi modelinin eğitim verisinin temel örüntülerini bile öğrenemediği, hem eğitim hem test setinde yüksek hata oranı gösterdiği durumdur. Modelin kapasitesi (parametre sayısı, derinlik) verinin karmaşıklığını temsil etmek için yetersizdir.
• check_circle Underfitting nasıl düzeltilir?: Model kapasitesini artır (daha derin/geniş ağ, polinom özellikler ekle), özellik mühendisliği yap (daha bilgilendirici özellikler türet), düzenleme parametrelerini azalt (regularization underfitting'i kötüleştirir), ve eğitimi daha uzun sürdür (epoch sayısını artır). Doğrulama kaybının düşüp düşmediğini izleyerek hangi değişikliğin işe yaradığını doğrula.
• check_circle Underfitting ile overfitting arasındaki fark nedir?: Underfitting: hem eğitim hem test hatası yüksek; model veriyi açıklamak için çok basit. Overfitting: eğitim hatası düşük, test hatası yüksek; model eğitim verisini ezberliyor. Her iki durumda da model pratikte işe yaramaz; çözüm yöntemleri ise zıt yönlerdedir.
• check_circle Underfitting'de daha fazla veri yardımcı olur mu?: Genellikle hayır. Underfitting'in temel nedeni model kapasitesidir, veri yetersizliği değil. Daha fazla veri toplamak underfitting'i nadiren çözer; önce model karmaşıklığını artırmak (daha derin ağ, polinom özellikler) gerekir. Düşük eğitim skoru ile düşük test skoru birlikte görüldüğünde önce model kapasitesini sorgula.
• check_circle Underfitting nasıl giderilir?: 1) Model kapasitesini artır: daha derin/geniş ağ. 2) Daha fazla epoch eğit. 3) Regularization'ı azalt. 4) Daha anlamlı özellikler ekle. 5) Daha güçlü model ailesi dene (doğrusal → ağaç → sinir ağı).
• check_circle Underfitting mi overfitting mi daha kötüdür?: Her ikisi de model başarısızlığıdır. Underfitting'de model hem eğitim hem üretimde zayıftır; genellikle daha az tehlikeli ama ticari değeri yoktur. Overfitting'de ise eğitimde iyi görünür ama pratikte başarısız olur — bu daha sinsi bir sorundur.