Was ist Sous-apprentissage (Underfitting)

Définition

Le sous-apprentissage (underfitting) survient lorsqu'un modèle de Machine Learning est trop simpliste pour saisir adéquatement la structure sous-jacente et les motifs inhérents aux données. En conséquence, le modèle affiche une performance de prédiction insuffisante, tant sur les données d'entraînement que sur de nouvelles données non encore vues.

Explication

Dans l'environnement B2B et SaaS, le sous-apprentissage se manifeste lorsque des applications d'IA critiques pour l'entreprise passent à côté de corrélations importantes, comme des schémas d'interaction complexes au sein des systèmes de gestion de la relation client (CRM). Par exemple, si un modèle est conçu pour prédire le succès des activités commerciales mais ne prend en compte que des relations unidimensionnelles et linéaires, il simplifiera excessivement la réalité du terrain. Cette situation est souvent due à une complexité de modèle insuffisante, à des données d'entraînement inadéquates ou à une régularisation trop restrictive. Pour remédier au sous-apprentissage, il est possible de mettre en œuvre des algorithmes plus complexes (par exemple, des réseaux de neurones profonds plutôt que des modèles linéaires), d'approfondir l'ingénierie des caractéristiques (feature engineering) ou d'assouplir les contraintes de la régularisation. Ce n'est qu'en surmontant l'underfitting que l'on peut garantir que les analyses basées sur l'IA fourniront des informations précieuses et nuancées, essentielles à la prise de décision stratégique.